CN115467752A - 汽车发动机失火诊断分析的方法、系统及计算机存储介质 - Google Patents
汽车发动机失火诊断分析的方法、系统及计算机存储介质 Download PDFInfo
- Publication number
- CN115467752A CN115467752A CN202110653204.5A CN202110653204A CN115467752A CN 115467752 A CN115467752 A CN 115467752A CN 202110653204 A CN202110653204 A CN 202110653204A CN 115467752 A CN115467752 A CN 115467752A
- Authority
- CN
- China
- Prior art keywords
- misfire
- engine
- matrix
- diagnosis
- theta
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims abstract description 109
- 238000003745 diagnosis Methods 0.000 claims abstract description 99
- 238000010801 machine learning Methods 0.000 claims abstract description 51
- 238000007477 logistic regression Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 68
- 230000006870 function Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 18
- 238000004088 simulation Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000011161 development Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000002485 combustion reaction Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011981 development test Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/22—Safety or indicating devices for abnormal conditions
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
- F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
- F02D41/2425—Particular ways of programming the data
- F02D41/2429—Methods of calibrating or learning
- F02D41/2451—Methods of calibrating or learning characterised by what is learned or calibrated
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
- F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
- F02D41/2425—Particular ways of programming the data
- F02D41/2429—Methods of calibrating or learning
- F02D41/2477—Methods of calibrating or learning characterised by the method used for learning
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
- F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
- F02D41/2425—Particular ways of programming the data
- F02D41/2429—Methods of calibrating or learning
- F02D41/2477—Methods of calibrating or learning characterised by the method used for learning
- F02D41/248—Methods of calibrating or learning characterised by the method used for learning using a plurality of learned values
-
- 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)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种汽车发动机失火诊断分析的方法，其包括：步骤S10，周期性获得汽车发动机的转速、发动机扭矩、发动机曲轴转角信号，形成参数输入矩阵；步骤S11，将所述参数输入矩阵输入训练好的基于逻辑回归的失火诊断机器学习模型，获得诊断结果；步骤S12，将所述诊断结果在仪表上进行显示，或发送给ECU控制模块。本发明还公开了相应的系统以及计算机可读介质。实施本发明，可以基于逻辑回归的失火诊断机器学习模型进行发动机的失火诊断，具有快速、准确性高的优点。
Description
技术领域
本发明涉及汽车发动机的失火诊断技术领域，特别是涉及一种汽车发动机失火诊断分析的方法、系统及计算机存储介质。
背景技术
车载自动诊断系统(On Board Diagnostics，OBD)可用于对排放控制系统进行监测。当与排放相关的任何部件发生故障时，OBD系统的监测应显示出现了故障，将相应的故障代码存入车载电脑，并点亮故障指示器(MIL)，车辆驾驶员能够通过一个标准的诊断系统识别故障代码。
而汽车发动机失火是OBD系统重要的监控项目之一。汽车发动机失火指的是由于点火、燃油计量、压缩不良等原因导致的气缸内缺少燃烧事件，发动机失火后，不仅会引起发动机运转的平稳性、动力性和经济性下降，更会因为燃料的不完全燃烧或根本没有燃烧而导致排放污染的增加。
在现有技术中，汽车发动机失火诊断依赖于大量的标定开发试验。一般在转鼓固定工况下，利用失火发生器，通过控制喷油点火来模拟不同的失火模式及失火率，OBD标定工程师根据经验，人为标定失火阈值使失火诊断满足误差要求。
现有的这种方法存在的不足之处在于，该方法对试验工况要求严格，依赖于工程师经验，人为标定的失火阈值无法覆盖实际全路况，往往导致误诊断或漏诊断等失效情况。故现有的监控手段依赖于整车开发标定数据质量，产品标定开发周期长，效率低，诊断质量鲁棒性差。
发明内容
本发明所要解决的技术问题在于，提供一种汽车发动机失火诊断分析的方法、系统及计算机存储介质，可以基于逻辑回归的失火诊断机器学习模型进行发动机的失火诊断，具有快速、准确性高的优点。
为解决上述技术问题，作为本发明的一方面提供一种汽车发动机失火诊断分析的方法，其特征在于，包括如下步骤：
步骤S10，周期性获得汽车发动机的转速x1、发动机扭矩x2、发动机曲轴转角信号x3，形成参数输入矩阵；
步骤S11，将所述参数输入矩阵输入训练好的基于逻辑回归的失火诊断机器学习模型，获得诊断结果，所述诊断结果包括：失火已发生和失火未发生；
所述失火诊断机器学习模型采用下述预测函数获得诊断结果：
Y＝g(z)＝1/(1+e-z)
z＝θTX＝θ1x1+θ2x2+θ3x3
其中，X为参数输入矩阵，X＝[x1，x2，x3]；θ为经过训练获得的最优参数矩阵，θ＝[θ1，θ2，θ3]；Y＝1代表失火已发生，Y＝0代表失火未发生；
步骤S12，将所述诊断结果在仪表上进行显示，或发送给ECU控制模块。
其中，进一步包括步骤S00，预先训练形成失火诊断机器学习模型，包括：
步骤S01，对样车进行试验，获得不同工况下与失火相关的关联参数；所述关联参数至少包括：车辆车速、车辆环境温度、发动机转速、发动机扭矩、发动机爆震信号、发动机曲轴转角信号、失火发生器模拟信号、失火缸数、失火率；
步骤S02，按时间序列，选择所采集的关联参数中的发动机的转速x1、发动机扭矩x2、发动机曲轴转角信号x3，形成参数输入矩阵X＝[x1,x2,x3]，同时根据失火发生器模拟信号形成输出结果矩阵Y，根据不同工况下所有时序序列的参数输入矩阵和输出结果矩阵形成训练集；
步骤S03，构建如下的基于逻辑回归的失火诊断机器学习模型，其预测函数为：
Y＝g(z)＝1/(1+e-z)
z＝θTX＝θ1x1+θ2x2+θ3x3
其中，X为参数输入矩阵，X＝[x1，x2，x3]；θ为最优参数矩阵，θ＝[θ1，θ2，θ3]，预先对θ进行初步赋值；Y＝1代表失火已发生，Y＝0代表失火未发生；
其中，所述步骤S04中进一步包括：
采用所述训练集对所述失火诊断机器学习模型进行训练，获得每一时序的参数输入矩阵的预测结果；
根据计算获得的预测结果以及所采集的失火发生器模拟信号，建立失火混淆矩阵表；
计算所述失火混淆阵表的指标值，并与预设的阈值进行比较，判断是否已达到迭代终止条件，在达到迭代终止条件后，将最优参数矩阵的当前值确定为最终数值；否则继续进行训练处理。
其中，所述失火混淆阵表的指标值为准确率、召回率、错检率中的至少两个，或者为准确率与召回率的加权平均值。
相应地，本发明的另一方面还提供一种汽车发动机失火诊断分析的系统，其包括：
参数输入矩阵获得单元，用于周期性获得汽车发动机的转速x1、发动机扭矩x2、发动机曲轴转角信号x3，形成参数输入矩阵；
诊断处理单元，用于将所述参数输入矩阵输入训练好的基于逻辑回归的失火诊断机器学习模型，获得诊断结果，所述诊断结果包括：失火已发生和失火未发生；
所述失火诊断机器学习模型采用下述预测函数获得诊断结果：
Y＝g(z)＝1/(1+e-z)
z＝θTX＝θ1x1+θ2x2+θ3x3
其中，X为参数输入矩阵，X＝[x1，x2，x3]；θ为经过训练获得的最优参数矩阵，θ＝[θ1，θ2，θ3]；Y＝1代表失火已发生，Y＝0代表失火未发生；
诊断结果处理单元，用于将所述诊断结果在仪表上进行显示，或发送给ECU控制模块。
其中，进一步包括训练模型获取单元，用于预先训练形成失火诊断机器学习模型，所述训练模型获取单元进一步包括：关联参数获得单元，用于对样车进行试验，获得不同工况下与失火相关的关联参数；所述关联参数至少包括：车辆车速、车辆环境温度、发动机转速、发动机扭矩、发动机爆震信号、发动机曲轴转角信号、失火发生器模拟信号、失火缸数、失火率；
训练集形成单元，用于按时间序列，选择所采集的关联参数中的发动机的转速x1、发动机扭矩x2、发动机曲轴转角信号x3，形成参数输入矩阵X＝[x1,x2,x3]，同时根据失火发生器模拟信号形成输出结果矩阵Y，根据不同工况下所有时序序列的参数输入矩阵和输出结果矩阵形成训练集；
学习模型构建单元，用于构建如下的基于逻辑回归的失火诊断机器学习模型，其预测函数为：
Y＝g(z)＝1/(1+e-z)
z＝θTX＝θ1x1+θ2x2+θ3x3
其中，X为参数输入矩阵，X＝[x1，x2，x3]；θ为最优参数矩阵，θ＝[θ1，θ2，θ3]，预先对θ进行初步赋值；Y＝1代表失火已发生，Y＝0代表失火未发生；
训练处理单元，用于采用所述训练集对所述失火诊断机器学习模型进行训练，在达到迭代终止条件后，确定最优参数矩阵θ＝[θ1，θ2，θ3]最终数值，从而获得训练好的基于逻辑回归的失火诊断机器学习模型。
其中，所述训练处理单元进一步包括：
训练单元，用于采用所述训练集对所述失火诊断机器学习模型进行训练，获得每一时序的参数输入矩阵的预测结果；
失火混淆矩阵表建立单元，用于根据计算获得的预测结果以及所采集的失火发生器模拟信号，建立失火混淆矩阵表；
比较处理单元，用于计算所述失火混淆阵表的指标值，并与预设的阈值进行比较，判断是否已达到迭代终止条件，在达到迭代终止条件后，将最优参数矩阵的当前值确定为最终数值；否则继续进行训练处理。
其中，所述失火混淆阵表的指标值为准确率、召回率、错检率中的至少两个，或者为准确率与召回率的加权平均值。
相应地，本发明的再一方面，还提供一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行前述方法中的步骤。
实施本发明实施例，具有如下的有益效果：
本发明实施例提供了一种汽车发动机失火诊断分析的方法、系统及计算机存储介质。其中，所述系统基于数据驱动，利用回归分析机器学习算法提取失火诊断模型，其诊断模型具备广泛适用性、高迭代性，可不断通过模型训练学习提高诊断质量；
其次，本发明的实施例中，采用基于机器学习的汽车发动机失火诊断方法，其自动化程度高，速度快，可减少标定工程师人员投入，缩短整车开发周期；
另外，本发明的实施例可适应灵活多变的应用场景，同时新发动机、新车型开发可基于已有的模型作为基准，通过快速迭代升级即可应用。
附图说明
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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明提供的一种汽车发动机失火诊断分析的方法的一个实施例的主流程示意图；
图2为本发明涉及的预先训练形成失火诊断机器学习模型步骤的详细流程示意图；
图3为本发明提供的一种汽车发动机失火诊断分析的系统的一个实施例的结构示意图；
图4为图3中训练模型获取单元的结构示意图；
图5为图4中训练处理单元的结构示意图。
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，下面将结合附图对本发明作进一步地详细描述。
如图1所示，示出了本发明提供的种汽车发动机失火诊断分析的方法的一个实施例的主流程示意图；一并结合图2所示，在本实施例中，所述方法包括如下步骤：
步骤S10，周期性获得汽车发动机的转速x1、发动机扭矩x2、发动机曲轴转角信号x3，形成参数输入矩阵；
步骤S11，将所述参数输入矩阵输入训练好的基于逻辑回归的失火诊断机器学习模型，获得诊断结果，所述诊断结果包括：失火已发生和失火未发生；
所述失火诊断机器学习模型采用下述预测函数获得诊断结果：
Y＝g(z)＝1/(1+e-z)
z＝θTX＝θ1x1+θ2x2+θ3x3
其中，X为参数输入矩阵，X＝[x1，x2，x3]；θ为经过训练获得的最优参数矩阵，θ＝[θ1，θ2，θ3]；Y＝1代表失火已发生，Y＝0代表失火未发生；
步骤S12，将所述诊断结果在仪表上进行显示，或发送给ECU控制模块。
可在理解的是，在本发明实施例中，在上述步骤S10之前，进一步包括步骤S00，预先训练形成失火诊断机器学习模型，所述步骤S00包括：
步骤S01，对样车进行试验，获得不同工况下与失火相关的关联参数；所述关联参数至少包括：车辆车速、车辆环境温度、发动机转速、发动机扭矩、发动机爆震信号、发动机曲轴转角信号、失火发生器模拟信号、失火缸数、失火率；
步骤S02，按时间序列，选择所采集的关联参数中的发动机的转速x1、发动机扭矩x2、发动机曲轴转角信号x3，形成参数输入矩阵X＝[x1,x2,x3]，同时根据失火发生器模拟信号形成输出结果矩阵Y，根据不同工况下所有时序序列的参数输入矩阵和输出结果矩阵形成训练集；
具体地，选取步骤S01中所采集的关联参数中的输入参数为发动机的转速x1、发动机扭矩x2、发动机曲轴转角信号x3，并按照时间序列将关联参数填入下述表1中，形成参数输入矩阵X＝[x1,x2,x3]，同时需要将失火发生器模拟信号作为标签定义为输出结果矩阵Y，两者汇总作为特征矩阵Z＝[X,Y]。
表1特征参数矩阵Z表
步骤S03，构建如下的基于逻辑回归的失火诊断机器学习模型，其预测函数为：
Y＝g(z)＝1/(1+e-z)
z＝θTX＝θ1x1+θ2x2+θ3x3
其中，X为参数输入矩阵，X＝[x1，x2，x3]；θ为最优参数矩阵，θ＝[θ1，θ2，θ3]，预先对θ进行初步赋值；Y＝1代表失火已发生，Y＝0代表失火未发生；
可以理解的是，本发明在构建失火诊断机器学习模型中选择逻辑回归算法,其主要原因有两个：首先，失火的特征主要体现在车辆/发动机运行过程中，转速/车速按照一定的规律抖动，在一些例子中，在真实失火发生情况，对应的发动机曲轴转角信号会存在相应的跳跃。其次，作为二分类问题，失火特征往往与特征概率相关联，车辆某些时刻由于路况等原因导致曲轴转角信号小范围的波动，但不是真实的发动机失火导致。因此，通过简单的二分类算法如SVM等无法高效准确进行该特征的区别，且容易出现误判和漏判，这两种诊断失误均容易对发动机性能造成损伤。本发明所选取的逻辑回归算法，其原理是通过构建不同自变量参数对应的权重概率函数，最终通过权重分配实现因变量预测，适合在发动机复杂多变的燃烧领域上应用。
具体地，在步骤S03中，通过构建Logistic函数(或称为Sigmoid函数)，函数形式为：
g(z)＝1/(1+e-z)
假设分类边界形式为：z＝θTX＝θ1x1+θ2x2+θ3x3
其中训练数据自变量矩阵为：X＝[x1，x2，x3]，最优参数矩阵：θ＝[θ1，θ2，θ3]
预测函数：Y＝g(θTX)＝1/(1+e-θTX)
其中预测Y＝1代表失火真实发生，Y＝0代表失火没有发生，两者的概率函数为：
P(Y＝1)＝g(θTX)；
P(Y＝0)＝1-g(θTX)；
后续步骤目的是通过训练数据，以识别获得最优参数矩阵θ＝[θ1，θ2，θ3]。
步骤S04，采用所述训练集对所述失火诊断机器学习模型进行训练，在达到迭代终止条件后，确定最优参数矩阵θ＝[θ1，θ2，θ3]最终数值，从而获得训练好的基于逻辑回归的失火诊断机器学习模型。在本步骤中，将输入参数矩阵X＝[x1,x2,x3]与输出参数矩阵Y统一汇总到预测函数中，通过数据训练识别最优参数矩阵θ＝[θ1，θ2，θ3]，使得P(Y＝1)与P(Y＝0)识别概率最高，从而获得训练好的基于逻辑回归的失火诊断机器学习模型。
在一个具体的例子中，所述步骤S04中进一步包括：
采用所述训练集对所述失火诊断机器学习模型进行训练，获得每一时序的参数输入矩阵的预测结果；
根据计算获得的预测结果以及所采集的失火发生器模拟信号，建立失火混淆矩阵表；
计算所述失火混淆阵表的指标值，并与预设的阈值进行比较，判断是否已达到迭代终止条件，在达到迭代终止条件后，将最优参数矩阵的当前值确定为最终数值；否则继续进行训练处理。
其中，所述失火混淆阵表的指标值为准确率、召回率、错检率中的至少两个，或者为准确率与召回率的加权平均值。例如在一个例子中，可以根据所述失火混淆阵表，计算当前的预测对应的准确率和错检率，并与相应的阈值进行比较，在当前预准确率超过准确率阈值，且当前错检率低于错检率阈值时，则判定已达到迭代终止条件。
可以理解的是，本发明采用失火混淆阵表来判断迭代终止条件是基于下述原因：
由于考虑到失火本身发生概率比不失火发生样本少，通过简单的识别准确率作为迭代终止条件不合适，例如在一个例子中，进行了1000次点火，其中10次失火；假如算法预测均无失火，其识别准确度为990/1000，如果单纯依据准确度来判断，显然是不合理的。而采用失火混淆阵表可以克服这些不足之处。具体的失火混淆矩阵表如下表2所示：
表2失火混淆矩阵表
其中，失火混淆矩阵表相应指标为：
准确率：(TP+TN)/(TP+TN+FN+FP)，表示预测结果与实际结果一致的比例；
召回率：TP/(TP+FN)，即有多少正样本被准确识别；
错检率：FP/(FP+TN)，即有多少负样本被错误识别；
通过将预测的结构的这些指标设置相应的比较阈值，即可以更科学地评估预测结果，以制定合适的迭代停止条件。
例如在一个例子中，其失火混淆矩阵表如下：
[[4031 3][0 37]]
表示真实非失火数据为4031+0＝4031，真实失火数据为3+37＝40；
4031个真实非失火数据全部预测为非失火；
40个真实失火数据中，37个成功预测为失火，但有3个被预测为非失火；
从而可以获得相应准确率为：4068/4071＝99.9％；召回率为：37/40＝92.5％；错检率为：0/4031＝0％。将上述的指标值与预定的阈值进行比较，从而判断是否达到了迭代停止条件。在其他的例子中，也可以综合评价上述的指标值，例如可以将上述的准确率与召回率进行加权平均，再与一预设的阈值进行比较，以确定是否达到迭代停止条件。其中阈值的选取可以根据失火诊断目标来制定，该失火诊断目标应以《GB18352.6-2016轻型汽车污染物排放限值及测量方法(中国第六阶段)》中OBD控制要求为准。
可以理解是，在本发明的实施例中，首先获取不同工况的失火大数据，作为数据驱动算法输入。数据经过预处理及特征提取后进行相应的机器学习算法设计，利用算法进行数据划分及失火诊断模型训练，通过模型评价对算法进行迭代升级，最终确定符合要求的可调用的失火诊断模型。实际车辆可通过整车数采模块将实际工况等参数作为模型输入，通过调用失火诊断模型最终输出失火诊断结果。本发明实施例中的失火诊断模型为通用化模型，可应用于线下桌面计算仿真及在线ECU控制部署。通过该方法可适应灵活多变的应用场景，同时新发动机、新车型开发可基于已有的模型作为基准，通过快速迭代升级即可应用。
如图3所示，为本发明提供的一种汽车发动机失火诊断分析的系统的一个实施例的结构示意图；一并结合图4和图5所示，在本实施例中，所述汽车发动机失火诊断分析的系统1包括：
参数输入矩阵获得单元10，用于周期性获得汽车发动机的转速x1、发动机扭矩x2、发动机曲轴转角信号x3，形成参数输入矩阵；
诊断处理单元11，用于将所述参数输入矩阵输入训练好的基于逻辑回归的失火诊断机器学习模型，获得诊断结果，所述诊断结果包括：失火已发生和失火未发生；
所述失火诊断机器学习模型采用下述预测函数获得诊断结果：
Y＝g(z)＝1/(1+e-z)
z＝θTX＝θ1x1+θ2x2+θ3x3
其中，X为参数输入矩阵，X＝[x1，x2，x3]；θ为经过训练获得的最优参数矩阵，θ＝[θ1，θ2，θ3]；Y＝1代表失火已发生，Y＝0代表失火未发生；
诊断结果处理单元12，用于将所述诊断结果在仪表上进行显示，或发送给ECU控制模块。
在一个具体的例子中，所述系统进一步包括训练模型获取单元13，用于预先训练形成失火诊断机器学习模型。
具体地，所述训练模型获取单元13进一步包括：
关联参数获得单元130，用于对样车进行试验，获得不同工况下与失火相关的关联参数；所述关联参数至少包括：车辆车速、车辆环境温度、发动机转速、发动机扭矩、发动机爆震信号、发动机曲轴转角信号、失火发生器模拟信号、失火缸数、失火率；
训练集形成单元131，用于按时间序列，选择所采集的关联参数中的发动机的转速x1、发动机扭矩x2、发动机曲轴转角信号x3，形成参数输入矩阵X＝[x1,x2,x3]，同时根据失火发生器模拟信号形成输出结果矩阵Y，根据不同工况下所有时序序列的参数输入矩阵和输出结果矩阵形成训练集；
学习模型构建单元132，用于构建如下的基于逻辑回归的失火诊断机器学习模型，其预测函数为：
Y＝g(z)＝1/(1+e-z)
z＝θTX＝θ1x1+θ2x2+θ3x3
其中，X为参数输入矩阵，X＝[x1，x2，x3]；θ为最优参数矩阵，θ＝[θ1，θ2，θ3]，预先对θ进行初步赋值；Y＝1代表失火已发生，Y＝0代表失火未发生；
训练处理单元133，用于采用所述训练集对所述失火诊断机器学习模型进行训练，在达到迭代终止条件后，确定最优参数矩阵θ＝[θ1，θ2，θ3]最终数值，从而获得训练好的基于逻辑回归的失火诊断机器学习模型。
在一个具体的例子中，所述训练处理单元133进一步包括：
训练单元134，用于采用所述训练集对所述失火诊断机器学习模型进行训练，获得每一时序的参数输入矩阵的预测结果；
失火混淆矩阵表建立单元135，用于根据计算获得的预测结果以及所采集的失火发生器模拟信号，建立失火混淆矩阵表；
比较处理单元136，用于计算所述失火混淆阵表的指标值，并与预设的阈值进行比较，判断是否已达到迭代终止条件，在达到迭代终止条件后，将最优参数矩阵的当前值确定为最终数值；否则继续进行训练处理。其中，所述失火混淆阵表的指标值为准确率、召回率、错检率中的至少两个，或者为准确率与召回率的加权平均值。
更多细节可以参考前述对图1和图2的描述，在此不再赘述。
本发明还提供一种计算机存储介质，所述计算机存储介质存储有多条程序指令，所述程序指令适于由处理器加载并执行如图1和图2示出的实施例中的汽车发动机失火诊断分析的方法中的步骤。
实施本发明实施例，具有如下的有益效果：
本发明实施例提供了一种汽车发动机失火诊断分析的方法、系统及计算机存储介质。其中，所述系统基于数据驱动，利用回归分析机器学习算法提取失火诊断模型，其诊断模型具备广泛适用性、高迭代性，可不断通过模型训练学习提高诊断质量；
其次，本发明的实施例中，采用基于机器学习的汽车发动机失火诊断方法，其自动化程度高，速度快，可减少标定工程师人员投入，缩短整车开发周期；
另外，本发明的实施例可适应灵活多变的应用场景，同时新发动机、新车型开发可基于已有的模型作为基准，通过快速迭代升级即可应用。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (9)
1.一种汽车发动机失火诊断分析的方法，其特征在于，包括如下步骤：
步骤S10，周期性获得汽车发动机的转速、发动机扭矩、发动机曲轴转角信号，形成参数输入矩阵；
步骤S11，将所述参数输入矩阵输入训练好的基于逻辑回归的失火诊断机器学习模型，获得诊断结果，所述诊断结果包括：失火已发生和失火未发生；
所述失火诊断机器学习模型采用下述预测函数获得诊断结果：
Y＝g(z)＝1/(1+e-z)
z＝θTX＝θ1x1+θ2x2+θ3x3
其中，X为参数输入矩阵，X＝[x1，x2，x3]；θ为经过训练获得的最优参数矩阵，θ＝[θ1，θ2，θ3]；Y＝1代表失火已发生，Y＝0代表失火未发生；
步骤S12，将所述诊断结果在仪表上进行显示，或发送给ECU控制模块。
2.如权利要求1所述的方法，其特征在于，进一步包括步骤S00，预先训练形成失火诊断机器学习模型，所述步骤S00包括：
步骤S01，对样车进行试验，获得不同工况下与失火相关的关联参数；所述关联参数至少包括：发动机转速、发动机扭矩、发动机曲轴转角信号以及失火发生器模拟信号；
步骤S02，按时间序列，选择所采集的关联参数中的发动机的转速、发动机扭矩、发动机曲轴转角信号，形成参数输入矩阵X，同时根据失火发生器模拟信号形成输出结果矩阵Y，根据不同工况下所有时序序列的参数输入矩阵和输出结果矩阵形成训练集；
步骤S03，构建如下的基于逻辑回归的失火诊断机器学习模型，其预测函数为：
Y＝g(z)＝1/(1+e-z)
z＝θTX＝θ1x1+θ2x2+θ3x3
其中，X为参数输入矩阵，X＝[x1，x2，x3]；θ为最优参数矩阵，θ＝[θ1，θ2，θ3]，预先对θ进行初步赋值；Y＝1代表失火已发生，Y＝0代表失火未发生；
步骤S04，采用所述训练集对所述失火诊断机器学习模型进行训练，在达到迭代终止条件后，确定最优参数矩阵θ＝[θ1，θ2，θ3]最终数值，从而获得训练好的基于逻辑回归的失火诊断机器学习模型。
3.如权利要求2所述的方法，其特征在于，所述步骤S04中进一步包括：
采用所述训练集对所述失火诊断机器学习模型进行训练，获得每一时序的参数输入矩阵的预测结果；
根据计算获得的预测结果以及所采集的失火发生器模拟信号，建立失火混淆矩阵表；
计算所述失火混淆阵表的指标值，并与预设的阈值进行比较，判断是否已达到迭代终止条件，在达到迭代终止条件后，将最优参数矩阵的当前值确定为最终数值；否则继续进行训练处理。
4.如权利要求3所述的方法，其特征在于，所述失火混淆阵表的指标值为准确率、召回率、错检率中的至少两个，或者为准确率与召回率的加权平均值。
5.一种汽车发动机失火诊断分析的系统，其特征在于，包括：
参数输入矩阵获得单元，用于周期性获得汽车发动机的转速、发动机扭矩、发动机曲轴转角信号，形成参数输入矩阵；
诊断处理单元，用于将所述参数输入矩阵输入训练好的基于逻辑回归的失火诊断机器学习模型，获得诊断结果，所述诊断结果包括：失火已发生和失火未发生；
所述失火诊断机器学习模型采用下述预测函数获得诊断结果：
Y＝g(z)＝1/(1+e-z)
z＝θTX＝θ1x1+θ2x2+θ3x3
其中，X为参数输入矩阵，X＝[x1，x2，x3]；θ为经过训练获得的最优参数矩阵，θ＝[θ1，θ2，θ3]；Y＝1代表失火已发生，Y＝0代表失火未发生；
诊断结果处理单元，用于将所述诊断结果在仪表上进行显示，或发送给ECU控制模块。
6.如权利要求5所述的系统，其特征在于，进一步包括训练模型获取单元，用于预先训练形成失火诊断机器学习模型，所述训练模型获取单元进一步包括：
关联参数获得单元，用于对样车进行试验，获得不同工况下与失火相关的关联参数；所述关联参数至少包括：发动机转速、发动机扭矩、发动机曲轴转角信号以及失火发生器模拟信号；
训练集形成单元，用于按时间序列，选择所采集的关联参数中的发动机的转速、发动机扭矩、发动机曲轴转角信号，形成参数输入矩阵X，同时根据失火发生器模拟信号形成输出结果矩阵Y，根据不同工况下所有时序序列的参数输入矩阵和输出结果矩阵形成训练集；
学习模型构建单元，用于构建如下的基于逻辑回归的失火诊断机器学习模型，其预测函数为：
Y＝g(z)＝1/(1+e-z)
z＝θTX＝θ1x1+θ2x2+θ3x3
其中，X为参数输入矩阵，X＝[x1，x2，x3]；θ为最优参数矩阵，θ＝[θ1，θ2，θ3]，预先对θ进行初步赋值；Y＝1代表失火已发生，Y＝0代表失火未发生；
训练处理单元，用于采用所述训练集对所述失火诊断机器学习模型进行训练，在达到迭代终止条件后，确定最优参数矩阵θ＝[θ1，θ2，θ3]最终数值，从而获得训练好的基于逻辑回归的失火诊断机器学习模型。
7.如权利要求6所述的系统，其特征在于，所述训练处理单元进一步包括：
训练单元，用于采用所述训练集对所述失火诊断机器学习模型进行训练，获得每一时序的参数输入矩阵的预测结果；
失火混淆矩阵表建立单元，用于根据计算获得的预测结果以及所采集的失火发生器模拟信号，建立失火混淆矩阵表；
比较处理单元，用于计算所述失火混淆阵表的指标值，并与预设的阈值进行比较，判断是否已达到迭代终止条件，在达到迭代终止条件后，将最优参数矩阵的当前值确定为最终数值；否则继续进行训练处理。
8.如权利要求7所述的系统，其特征在于，所述失火混淆阵表的指标值为准确率、召回率、错检率中的至少两个，或者为准确率与召回率的加权平均值。
9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如权利要求1至4任一项的方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110653204.5A CN115467752B (zh) | 2021-06-11 | 2021-06-11 | 汽车发动机失火诊断分析的方法、系统及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110653204.5A CN115467752B (zh) | 2021-06-11 | 2021-06-11 | 汽车发动机失火诊断分析的方法、系统及计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115467752A true CN115467752A (zh) | 2022-12-13 |
| CN115467752B CN115467752B (zh) | 2024-05-28 |
Family
ID=84363345
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110653204.5A Active CN115467752B (zh) | 2021-06-11 | 2021-06-11 | 汽车发动机失火诊断分析的方法、系统及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115467752B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220382536A1 (en) * | 2017-07-25 | 2022-12-01 | Aurora Labs Ltd. | Orchestrator reporting of probability of downtime from machine learning process |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09184449A (ja) * | 1995-12-27 | 1997-07-15 | Nissan Motor Co Ltd | 内燃機関の失火検出装置 |
| CN101331306A (zh) * | 2005-12-21 | 2008-12-24 | 丰田自动车株式会社 | 内燃机的失火判定装置、装有该装置的车辆及失火判定方法 |
| JP2009154714A (ja) * | 2007-12-26 | 2009-07-16 | Toyota Motor Corp | 動力出力装置および車両並びに動力出力装置の制御方法 |
| CN104596775A (zh) * | 2014-10-07 | 2015-05-06 | 芜湖扬宇机电技术开发有限公司 | 发动机失火诊断系统及其方法 |
| JP2016113944A (ja) * | 2014-12-15 | 2016-06-23 | 日産自動車株式会社 | 内燃機関の失火診断装置 |
| CN106844922A (zh) * | 2017-01-11 | 2017-06-13 | 重庆邮电大学 | 基于缸压估计和流形学习的发动机失火故障诊断方法 |
| CN106909136A (zh) * | 2017-02-22 | 2017-06-30 | 湖南工程学院 | 一种基于指数正则化零空间线性鉴别分析的故障诊断方法 |
| CN108363992A (zh) * | 2018-03-15 | 2018-08-03 | 南京邮电大学 | 一种基于机器学习监测视频图像烟雾的火情预警方法 |
| US20180275017A1 (en) * | 2017-03-23 | 2018-09-27 | Toyota Jidosha Kabushiki Kaisha | Misfire detection device for internal combustion engine |
| US20190145859A1 (en) * | 2017-11-14 | 2019-05-16 | Tula Technology, Inc. | Machine learning for misfire detection in a dynamic firing level modulation controlled engine of a vehicle |
| KR102063974B1 (ko) * | 2018-12-04 | 2020-01-08 | 현대오트론 주식회사 | 이산 푸리에 변환과 선형 성분이 제거된 엔진 속도의 변동 분석을 활용한 엔진 실화 진단 시스템 및 방법 |
| CN111156086A (zh) * | 2020-01-09 | 2020-05-15 | 东风汽车集团有限公司 | 混合动力汽车发动机失火诊断系统及方法 |
| US20200263617A1 (en) * | 2019-02-15 | 2020-08-20 | Toyota Jidosha Kabushiki Kaisha | State detection system for internal combustion engine, data analysis device, and vehicle |
| CN111577457A (zh) * | 2019-02-15 | 2020-08-25 | 丰田自动车株式会社 | 内燃机的失火检测装置、系统、方法、数据解析装置、及内燃机的控制装置 |
| US20210003088A1 (en) * | 2017-11-14 | 2021-01-07 | Tula Technology, Inc. | Machine learning for misfire detection in a dynamic firing level modulation controlled engine of a vehicle |
| WO2021084917A1 (ja) * | 2019-10-29 | 2021-05-06 | 株式会社ニッキ | エンジンの失火診断検出方法 |
| CN112896144A (zh) * | 2019-12-04 | 2021-06-04 | 广州汽车集团股份有限公司 | 一种新能源汽车增程器共振判断方法、系统及汽车 |
-
2021
- 2021-06-11 CN CN202110653204.5A patent/CN115467752B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09184449A (ja) * | 1995-12-27 | 1997-07-15 | Nissan Motor Co Ltd | 内燃機関の失火検出装置 |
| CN101331306A (zh) * | 2005-12-21 | 2008-12-24 | 丰田自动车株式会社 | 内燃机的失火判定装置、装有该装置的车辆及失火判定方法 |
| JP2009154714A (ja) * | 2007-12-26 | 2009-07-16 | Toyota Motor Corp | 動力出力装置および車両並びに動力出力装置の制御方法 |
| CN104596775A (zh) * | 2014-10-07 | 2015-05-06 | 芜湖扬宇机电技术开发有限公司 | 发动机失火诊断系统及其方法 |
| JP2016113944A (ja) * | 2014-12-15 | 2016-06-23 | 日産自動車株式会社 | 内燃機関の失火診断装置 |
| CN106844922A (zh) * | 2017-01-11 | 2017-06-13 | 重庆邮电大学 | 基于缸压估计和流形学习的发动机失火故障诊断方法 |
| CN106909136A (zh) * | 2017-02-22 | 2017-06-30 | 湖南工程学院 | 一种基于指数正则化零空间线性鉴别分析的故障诊断方法 |
| US20180275017A1 (en) * | 2017-03-23 | 2018-09-27 | Toyota Jidosha Kabushiki Kaisha | Misfire detection device for internal combustion engine |
| CN108626018A (zh) * | 2017-03-23 | 2018-10-09 | 丰田自动车株式会社 | 用于内燃机的失火检测装置 |
| US20190145859A1 (en) * | 2017-11-14 | 2019-05-16 | Tula Technology, Inc. | Machine learning for misfire detection in a dynamic firing level modulation controlled engine of a vehicle |
| US20210003088A1 (en) * | 2017-11-14 | 2021-01-07 | Tula Technology, Inc. | Machine learning for misfire detection in a dynamic firing level modulation controlled engine of a vehicle |
| CN108363992A (zh) * | 2018-03-15 | 2018-08-03 | 南京邮电大学 | 一种基于机器学习监测视频图像烟雾的火情预警方法 |
| KR102063974B1 (ko) * | 2018-12-04 | 2020-01-08 | 현대오트론 주식회사 | 이산 푸리에 변환과 선형 성분이 제거된 엔진 속도의 변동 분석을 활용한 엔진 실화 진단 시스템 및 방법 |
| US20200263617A1 (en) * | 2019-02-15 | 2020-08-20 | Toyota Jidosha Kabushiki Kaisha | State detection system for internal combustion engine, data analysis device, and vehicle |
| CN111577457A (zh) * | 2019-02-15 | 2020-08-25 | 丰田自动车株式会社 | 内燃机的失火检测装置、系统、方法、数据解析装置、及内燃机的控制装置 |
| WO2021084917A1 (ja) * | 2019-10-29 | 2021-05-06 | 株式会社ニッキ | エンジンの失火診断検出方法 |
| CN112896144A (zh) * | 2019-12-04 | 2021-06-04 | 广州汽车集团股份有限公司 | 一种新能源汽车增程器共振判断方法、系统及汽车 |
| CN111156086A (zh) * | 2020-01-09 | 2020-05-15 | 东风汽车集团有限公司 | 混合动力汽车发动机失火诊断系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 郑太雄等: "汽车发动机失火故障诊断方法研究综述", 自动化学报, vol. 2021, no. 4, pages 509 - 527 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220382536A1 (en) * | 2017-07-25 | 2022-12-01 | Aurora Labs Ltd. | Orchestrator reporting of probability of downtime from machine learning process |
| US11829750B2 (en) * | 2017-07-25 | 2023-11-28 | Aurora Labs Ltd. | Orchestrator reporting of probability of downtime from machine learning process |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115467752B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10253716B2 (en) | Engine analysis and diagnostic system | |
| KR102685301B1 (ko) | 테스트 구성 방법 | |
| US10818107B2 (en) | Engine analysis and diagnostic system | |
| CN101532915B (zh) | 汽车尾气排放及车载自诊断系统的标定方法 | |
| EP1705357A1 (en) | Method and a relative device for diagnosing misfire or partial combustion conditions in an internal combustion engine | |
| CN110826772A (zh) | 车辆尾气排放预测方法、装置、设备及存储介质 | |
| CN103091112A (zh) | 基于模糊推理和自学习的汽车排放故障检诊方法及装置 | |
| CN102374094B (zh) | 发动机失火故障诊断方法 | |
| KR102368396B1 (ko) | K-평균 군집화 알고리즘을 이용한 주기변동 랜덤신호의 정렬방법 및 이를 이용한 내연기관의 이상진단 시스템 및 방법 | |
| CN111336011B (zh) | 一种汽油机失火监测方法 | |
| CN114995346B (zh) | 一种发动机电气诊断标定方法、装置、设备及介质 | |
| CN115467752B (zh) | 汽车发动机失火诊断分析的方法、系统及计算机存储介质 | |
| CN113029571B (zh) | 一种液压挖掘机排放污染物测试系统与方法 | |
| CN117877256A (zh) | 基于数字孪生的车辆故障预测方法及系统 | |
| CN116340848B (zh) | 一种基于数字孪生的发动机故障诊断方法 | |
| RU2724072C1 (ru) | Имитационная система контроля качества моторного масла транспортных средств | |
| CN117150884A (zh) | 一种基于数字孪生的发动机故障排查方法及系统 | |
| CN114417941B (zh) | 一种曲轴故障检测方法及系统 | |
| CN114622990B (zh) | 一种发动机失火风险识别方法、装置、设备和介质 | |
| CN115144668A (zh) | 故障检测方法、信号模拟器及故障检测系统 | |
| CN114962031B (zh) | 内燃机进气系统管路结焦的检测方法及其系统、车辆 | |
| RU2739652C1 (ru) | Автоматизированная система мониторинга экологических параметров двигателя внутреннего сгорания транспортных средств | |
| Watzenig et al. | Model-based condition and state monitoring of large marine diesel engines | |
| CN115329602A (zh) | 基于汽车rde模拟系统的有效性判定方法以及装置 | |
| Canal et al. | Misfire Detection in Combustion Engines Using Machine Learning Techniques |
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 |