CN115979651A - 发动机运转状态的监控方法、装置和计算机设备 - Google Patents
发动机运转状态的监控方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN115979651A CN115979651A CN202310011747.6A CN202310011747A CN115979651A CN 115979651 A CN115979651 A CN 115979651A CN 202310011747 A CN202310011747 A CN 202310011747A CN 115979651 A CN115979651 A CN 115979651A
- Authority
- CN
- China
- Prior art keywords
- historical
- engine
- parameter values
- operating parameter
- images
- 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
Links
Images
Classifications
-
- 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
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请涉及一种发动机运转状态的监控方法、装置、计算机设备、存储介质和计算机程序产品。该方法包括获取历史时间段内发动机的多张历史图像、相应的多组历史运转参数值、相应的多个历史报警信息;对发动机的多组历史运转参数值和多张历史图像进行排序和插值处理,得到多组中间运转参数值和多张中间图像;通过多张中间图像更新历史图像序列,得到样本图像序列;根据多个历史报警信息、多组历史运转参数值或多组中间运转参数值中的至少一种,确定发动机的历史运转状态;将样本图像作为初始模型的输入,将发动机的历史运转状态作为初始模型的训练标签,对初始模型进行训练,得到运转状态评估模型。采用本方法能够提高发动机运转状态的监控效率。
Description
技术领域
本申请涉及发动机技术领域,特别是涉及一种发动机运转状态的监控方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着发动机技术的发展,出现了发动机测试技术。汽车在出厂前,必须通过试验台架对发动机进行大量的耐久试验,以保证发动机的排放性能指标、可靠性和耐久性等符合要求。
传统的发动机试验台架监控方法是安排操作人员,以人工监控的方式监控试验台架上的发动机的运转状态。对于有多台发动机同时进行试验的场景,传统方法需要操作人员往返于不同的台架之间,观察各发动机的运转状态。因此,传统方法存在监控效率低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高监控效率的发动机运转状态的监控方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种发动机运转状态的监控方法。该方法包括:
获取历史时间段内发动机的多张历史图像、相应的多组历史运转参数值、以及相应的多个历史报警信息;
对发动机的多组历史运转参数值和多张历史图像进行排序,得到历史运转参数值序列和相应的历史图像序列;
对历史运转参数值序列中任意两组相邻的历史运转参数值进行插值处理,得到多组中间运转参数值,并对历史图像序列中任意两张相邻的历史图像进行插值处理,得到多张中间图像;
通过多张中间图像更新历史图像序列,得到样本图像序列;
根据多个历史报警信息、多组历史运转参数值或多组中间运转参数值中的至少一种,确定样本图像序列中各样本图像所对应的发动机的历史运转状态;
将样本图像作为初始模型的输入,将样本图像所对应的发动机的历史运转状态作为初始模型的训练标签,对初始模型进行训练,得到运转状态评估模型,运转状态评估模型用于对发动机的运转状态进行监控。
在其中一个实施例中,历史运转参数值的类型包括转速、扭矩、排气温度、机油压力或功能率中的至少一种,对历史运转参数值序列中任意两组相邻的历史运转参数值进行插值处理,得到多组中间运转参数值,包括按照历史运转参数值的类型,计算历史运转参数值序列中任意两组相邻的历史运转参数值中各类型所对应的综合值,并基于各类型所对应的综合值的组合,确定多组中间运转参数值;对历史图像序列中任意两张相邻的历史图像进行插值处理,得到多张中间图像,包括按照颜色通道的亮度,计算历史图像序列中任意两张相邻的历史图像的各颜色通道所对应的亮度的综合值,基于各颜色通道所对应的亮度的综合值,确定多张中间图像。
在其中一个实施例中,按照颜色通道的亮度,计算历史图像序列中任意两张相邻的历史图像的各颜色通道所对应的亮度的综合值,基于各颜色通道所对应的亮度的综合值,确定多张中间图像,包括:对历史图像序列中各历史图像进行分割,得到每张历史图像各自对应的历史点阵图像,历史点阵图像包括多个像素块;确定历史图像序列中任意两张相邻的历史图像的历史点阵图像;获得确定的两张历史点阵图像中,对应相同位置处的像素块的亮度的综合值,基于各个位置分别对应的综合值,得到一张中间图像。
在其中一个实施例中,样本图像为历史图像或中间图像,历史报警信息用于表征发动机是否发生常规故障,历史运转状态为正常运转或异常运转;根据多个历史报警信息、多组历史运转参数值或多组中间运转参数值中的至少一种,确定样本图像序列中各样本图像所对应的发动机的历史运转状态,包括根据多个历史报警信息或多组历史运转参数值中的至少一种,确定样本图像序列中各历史图像所对应的发动机的历史运转状态;根据多组中间运转参数值,确定样本图像序列中各中间图像所对应的发动机的历史运转状态。
在其中一个实施例中,该方法还包括通过红外摄像头,采集目标时刻多台发动机表面的目标图像;对于各发动机中的当前发动机,通过运转状态评估模型,对当前发动机的目标图像进行评估,确定目标时刻当前发动机的运转状态是否异常;在当前发动机的运转状态为异常运转的情况下,指示用户终端通过微控制器对当前发动机进行故障处理。
在其中一个实施例中,在当前发动机的运转状态为异常运转的情况下,指示用户终端通过微控制器对当前发动机进行故障处理,包括在当前发动机的运转状态为异常运转的情况下,指示用户终端向微控制器发送控制指令,并通过微控制器将控制指令发送至局域网控制器,并通过局域网控制器将控制指令发送至当前发动机的电子控制单元,以控制当前发动机回怠速或停机。
第二方面,本申请还提供了一种发动机运转状态的监控装置。该装置包括:
获取模块,用于获取历史时间段内发动机的多张历史图像、相应的多组历史运转参数值、以及相应的多个历史报警信息;
排序模块,用于对发动机的多组历史运转参数值和多张历史图像进行排序,得到历史运转参数值序列和相应的历史图像序列;
插值模块,用于对历史运转参数值序列中任意两组相邻的历史运转参数值进行插值处理,得到多组中间运转参数值,并对历史图像序列中任意两张相邻的历史图像进行插值处理,得到多张中间图像;
更新模块,用于通过多张中间图像更新历史图像序列,得到样本图像序列;
确定模块,用于根据多个历史报警信息、多组历史运转参数值或多组中间运转参数值中的至少一种,确定样本图像序列中各样本图像所对应的发动机的历史运转状态;
训练模块,用于将样本图像作为初始模型的输入,将样本图像所对应的发动机的历史运转状态作为初始模型的训练标签,对初始模型进行训练,得到运转状态评估模型,运转状态评估模型用于对发动机的运转状态进行监控。
第三方面,本申请还提供了一种计算机设备。该计算机设备包括存储器和处理器,该存储器存储有计算机程序,该处理器执行该计算机程序时实现以下步骤:
获取历史时间段内发动机的多张历史图像、相应的多组历史运转参数值、以及相应的多个历史报警信息;
对发动机的多组历史运转参数值和多张历史图像进行排序,得到历史运转参数值序列和相应的历史图像序列;
对历史运转参数值序列中任意两组相邻的历史运转参数值进行插值处理,得到多组中间运转参数值,并对历史图像序列中任意两张相邻的历史图像进行插值处理,得到多张中间图像;
通过多张中间图像更新历史图像序列,得到样本图像序列;
根据多个历史报警信息、多组历史运转参数值或多组中间运转参数值中的至少一种,确定样本图像序列中各样本图像所对应的发动机的历史运转状态;
将样本图像作为初始模型的输入,将样本图像所对应的发动机的历史运转状态作为初始模型的训练标签,对初始模型进行训练,得到运转状态评估模型,运转状态评估模型用于对发动机的运转状态进行监控。
第四方面,本申请还提供了一种计算机可读存储介质。该计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取历史时间段内发动机的多张历史图像、相应的多组历史运转参数值、以及相应的多个历史报警信息;
对发动机的多组历史运转参数值和多张历史图像进行排序,得到历史运转参数值序列和相应的历史图像序列;
对历史运转参数值序列中任意两组相邻的历史运转参数值进行插值处理,得到多组中间运转参数值,并对历史图像序列中任意两张相邻的历史图像进行插值处理,得到多张中间图像;
通过多张中间图像更新历史图像序列,得到样本图像序列;
根据多个历史报警信息、多组历史运转参数值或多组中间运转参数值中的至少一种,确定样本图像序列中各样本图像所对应的发动机的历史运转状态;
将样本图像作为初始模型的输入,将样本图像所对应的发动机的历史运转状态作为初始模型的训练标签,对初始模型进行训练,得到运转状态评估模型,运转状态评估模型用于对发动机的运转状态进行监控。
第五方面,本申请还提供了一种计算机程序产品。该计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取历史时间段内发动机的多张历史图像、相应的多组历史运转参数值、以及相应的多个历史报警信息;
对发动机的多组历史运转参数值和多张历史图像进行排序,得到历史运转参数值序列和相应的历史图像序列;
对历史运转参数值序列中任意两组相邻的历史运转参数值进行插值处理,得到多组中间运转参数值,并对历史图像序列中任意两张相邻的历史图像进行插值处理,得到多张中间图像;
通过多张中间图像更新历史图像序列,得到样本图像序列;
根据多个历史报警信息、多组历史运转参数值或多组中间运转参数值中的至少一种,确定样本图像序列中各样本图像所对应的发动机的历史运转状态;
将样本图像作为初始模型的输入,将样本图像所对应的发动机的历史运转状态作为初始模型的训练标签,对初始模型进行训练,得到运转状态评估模型,运转状态评估模型用于对发动机的运转状态进行监控。
上述发动机运转状态的监控方法、装置、计算机设备、存储介质和计算机程序产品,通过获取历史时间段内发动机的多张历史图像、相应的多组历史运转参数值和相应的多个历史报警信息,对发动机的多组历史运转参数值和多张历史图像分别进行排序和插值处理,得到多组中间运转参数值和样本图像序列,根据多个历史报警信息、多组历史运转参数值或多组中间运转参数值中的至少一种,确定样本图像序列中各样本图像所对应的发动机的历史运转状态,根据样本图像序列中各样本图像和其所对应的发动机的历史运转状态,对初始模型进行训练,得到运转状态评估模型,运转状态评估模型用于对发动机的运转状态进行监控,相较于通过人工监控,本方法能够通过运转状态评估模型对发动机的运转状态进行自动监控,因此能够提高发动机运转状态的监控效率。
附图说明
图1为一个实施例中发动机运转状态的监控方法的应用环境图;
图2为一个实施例中发动机运转状态的监控方法的流程示意图;
图3为一个实施例中确定中间图像步骤的流程示意图;
图4为一个实施例中发动机运转状态的监控系统的结构示意图;
图5为另一个实施例中发动机运转状态的监控方法的流程示意图;
图6为一个实施例中发动机运转状态的监控装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的发动机运转状态的监控方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。终端102可单独执行本申请实施例提供的发动机运转状态的监控方法,终端102和服务器104也可协同执行本申请实施例提供的发动机运转状态的监控方法。
当终端102单独执行发动机运转状态的监控方法时,终端102获取历史时间段内发动机的多张历史图像、相应的多组历史运转参数值、以及相应的多个历史报警信息;对发动机的多组历史运转参数值和多张历史图像进行排序,得到历史运转参数值序列和相应的历史图像序列;对历史运转参数值序列中任意两组相邻的历史运转参数值进行插值处理,得到多组中间运转参数值,并对历史图像序列中任意两张相邻的历史图像进行插值处理,得到多张中间图像;通过多张中间图像更新历史图像序列,得到样本图像序列;根据多个历史报警信息、多组历史运转参数值或多组中间运转参数值中的至少一种,确定样本图像序列中各样本图像所对应的发动机的历史运转状态;将样本图像作为初始模型的输入,将样本图像所对应的发动机的历史运转状态作为初始模型的训练标签,对初始模型进行训练,得到运转状态评估模型,运转状态评估模型用于对发动机的运转状态进行监控。
当终端102和服务器104协同执行发动机运转状态的监控方法时,终端102获取历史时间段内发动机的多张历史图像、相应的多组历史运转参数值、以及相应的多个历史报警信息,并将多张历史图像、相应的多组历史运转参数值、以及相应的多个历史报警信息发送至服务器104。服务器104对发动机的多组历史运转参数值和多张历史图像进行排序,得到历史运转参数值序列和相应的历史图像序列;对历史运转参数值序列中任意两组相邻的历史运转参数值进行插值处理,得到多组中间运转参数值,并对历史图像序列中任意两张相邻的历史图像进行插值处理,得到多张中间图像;通过多张中间图像更新历史图像序列,得到样本图像序列;根据多个历史报警信息、多组历史运转参数值或多组中间运转参数值中的至少一种,确定样本图像序列中各样本图像所对应的发动机的历史运转状态;将样本图像作为初始模型的输入,将样本图像所对应的发动机的历史运转状态作为初始模型的训练标签,对初始模型进行训练,得到运转状态评估模型,运转状态评估模型用于对发动机的运转状态进行监控。
其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种发动机运转状态的监控方法,该方法可以由终端或服务器单独执行,也可以由终端和服务器协同执行。以该方法应用于图1中的终端102为例进行说明,包括以下步骤:
步骤202,获取历史时间段内发动机的多张历史图像、相应的多组历史运转参数值、以及相应的多个历史报警信息。
其中,发动机是发动机试验台架上的处于试验阶段的待测发动机。历史时间段包括很多个历史时刻,每个历史时刻对应一张历史图像、一组历史运转参数值和一个历史报警信息。因此,每张历史图像、每组历史运转参数值和每个历史报警信息之间具有对应关系。
历史图像是历史时刻通过红外摄像头拍摄发动机所在试验间得到的红外图像,包含发动机表面的图像。
由于发动机和发动机所在试验间中的其他物体表面辐射的红外光的波长范围(约为0.75微米到1000微米)远大于可见光的波长范围(约为390纳米到760纳米),燃油泄漏、进排气泄漏、发动机某部位温度过高、发动机某部位出现裂纹等通过肉眼或普通摄像头不容易分辨的问题,在红外图像上则清晰可见。因此,通过获取发动机表面的红外图像,能够达到提高发动机运转状态的监控准确率的目的,从而能够提高发动机运转状态的监控效率。
历史运转参数值是历史时刻通过发动机的电子控制单元获取的发动机的运转参数值,包括转速、扭矩、油门、出水温度、排气温度、机油压力、中冷压力或功能率中的至少一种类型。在历史运转参数值包括一种类型的情况下,即为转速、扭矩、油门、出水温度、排气温度、机油压力、中冷压力或功能率的情况下,将该种类型的历史运转参数值作为一组历史运转参数值;在历史运转参数值包括至少两种类型的情况下,即包括转速、扭矩、油门、出水温度、排气温度、机油压力、中冷压力或功能率中的至少两种类型的情况下,将至少两种类型的历史运转参数值作为一组历史运转参数值。
历史报警信息是历史时刻通过发动机电子控制单元获取的报警信息,用于表征历史时刻发动机是否发生常规故障,例如出水温度过高。
示例性地,红外摄像头在历史时间段内拍摄发动机试验台架上的处于试验阶段的发动机表面的图像,得到多张历史图像,并将多张历史图像发送至终端。发动机的电子控制单元在历史时间段内获取发动机试验台架上的处于试验阶段的发动机的运转参数值和报警信息,得到多组历史运转参数值和多个历史报警信息,并将多组历史运转参数值和多个历史报警信息发送至终端。终端获取历史时间段内发动机的多张历史图像、多组历史运转参数值和多个历史报警信息,并将与同一历史时刻对应的一张历史图像、一组历史运转参数值和一个历史报警信息进行关联,得到历史时间段内发动机的多张历史图像、相应的多组历史运转参数值、以及相应的多个历史报警信息。
步骤204,对发动机的多组历史运转参数值和多张历史图像进行排序,得到历史运转参数值序列和相应的历史图像序列。
其中,由于每张历史图像、每组历史运转参数值和每个历史报警信息是关联的,因此,历史运转参数值序列中的各组历史运转参数值的排列顺序和历史图像序列中的各历史图像的排列顺序是一致的。
示例性地,终端按照数值大小,对发动机的多组历史运转参数值进行排序,得到历史运转参数值序列,由于每张历史图像和每组历史运转参数值是关联的,因此在得到历史运转参数值序列的同时,也得到了与历史运转参数值序列对应的历史图像序列。
在历史运转参数值包括至少两种类型的情况下,例如一组历史运转参数值包括转速的历史运转参数值(转速值)和扭矩的历史运转参数值(扭矩值),终端首先确定多组历史运转参数值中多个转速值的大小,按照转速值从大到小的顺序,对发动机的多组历史运转参数值进行排序,得到历史运转参数值初始序列;并在至少有两个转速值相同的情况下,再确定与转速值对应的扭矩值的大小,按照扭矩值从大到小的顺序,对历史运转参数值初始序列进行排序,得到历史运转参数值序列。
步骤206,对历史运转参数值序列中任意两组相邻的历史运转参数值进行插值处理,得到多组中间运转参数值,并对历史图像序列中任意两张相邻的历史图像进行插值处理,得到多张中间图像。
其中,中间运转参数值为经过插值处理得到的一组运转参数值,中间图像为经过插值处理得到的一张图像。
示例性地,终端对历史运转参数值序列中任意两组相邻的历史运转参数值进行插值处理,得到多组中间运转参数值,并对历史图像序列中任意两张相邻的历史图像进行插值处理,得到多张中间图像。
以历史运转参数值序列包括4组历史运转参数值、相应的历史图像序列包括4组历史图像为例,对历史运转参数值序列中任意两组相邻的历史运转参数值进行插值处理,得到3组中间运转参数值,并对历史图像序列中任意两张相邻的历史图像进行插值处理,得到3张中间图像。
步骤208,通过多张中间图像更新历史图像序列,得到样本图像序列。
其中,样本图像序列为将多张中间图像添加至历史图像序列而得到的图像序列。样本图像序列包括多个样本图像,样本图像为中间图像或历史图像。
示例性地,终端将多张中间图像和历史图像序列一起,作为样本图像序列。
步骤210,根据多个历史报警信息、多组历史运转参数值或多组中间运转参数值中的至少一种,确定样本图像序列中各样本图像所对应的发动机的历史运转状态。
其中,历史运转状态为正常运转或异常运转。
示例性地,终端根据多个历史报警信息、多组历史运转参数值或多组中间运转参数值中的至少一种,确定样本图像序列中各样本图像所对应的发动机的历史运转状态为正常运转或异常运转。
步骤212,将样本图像作为初始模型的输入,将样本图像所对应的发动机的历史运转状态作为初始模型的训练标签,对初始模型进行训练,得到运转状态评估模型,运转状态评估模型用于对发动机的运转状态进行监控。
其中,初始模型可以是用于评估与样本图像对应的发动机的历史运转状态的神经网络模型。运转状态评估模型可以是训练好的神经网络模型,用于评估发动机的运转状态,以对发动机的运转状态进行监控。
示例性地,终端将样本图像输入初始模型,通过初始模型对样本图像进行特征提取,得到样本图像的多个特征信息,多个特征信息包括形状、颜色通道的亮度、纹理、图像频谱、图像直方图;根据样本图像的多个特征信息,确定样本图像所对应的发动机的预测运转状态;基于样本图像所对应的发动机的预测运转状态和历史运转状态,对初始模型进行训练,得到运转状态评估模型。
上述发动机运转状态的监控方法中,通过获取历史时间段内发动机的多张历史图像、相应的多组历史运转参数值和相应的多个历史报警信息,对发动机的多组历史运转参数值和多张历史图像分别进行排序和插值处理,得到多组中间运转参数值和样本图像序列,根据多个历史报警信息、多组历史运转参数值或多组中间运转参数值中的至少一种,确定样本图像序列中各样本图像所对应的发动机的历史运转状态,根据样本图像序列中各样本图像和其所对应的发动机的历史运转状态,对初始模型进行训练,得到运转状态评估模型,运转状态评估模型用于对发动机的运转状态进行监控,相较于通过人工监控,本方法能够通过运转状态评估模型对发动机的运转状态进行自动监控,因此能够提高发动机运转状态的监控效率。
在一个实施例中,历史运转参数值的类型包括转速、扭矩、排气温度、机油压力或功能率中的至少一种,对历史运转参数值序列中任意两组相邻的历史运转参数值进行插值处理,得到多组中间运转参数值,包括按照历史运转参数值的类型,计算历史运转参数值序列中任意两组相邻的历史运转参数值中各类型所对应的综合值,并基于各类型所对应的综合值的组合,确定多组中间运转参数值。
其中,综合值通过任意两组相邻的历史运转参数值中属于同一类型的两个历史运转参数值,按照预设权重进行加权求和得到,其中,预设权重是根据监控需求预先设定的,本申请实施例对此不作限定。在两个历史运转参数值的预设权重均为0.5的情况下,综合值为两个历史运转参数值的平均值。
示例性地,历史运转参数值的类型包括转速和扭矩,此时,一组历史运转参数值包括转速值和扭矩值,对于历史运转参数值序列所包括的多个两组相邻的历史运转参数值中的当前两组相邻的历史运转参数值,终端分别对当前两组相邻的历史运转参数值中的转速值和扭矩值进行加权求和,得到转速的综合值和扭矩的综合值;将转速的综合值和扭矩的综合值进行关联,得到一组中间运转参数值。
对历史图像序列中任意两张相邻的历史图像进行插值处理,得到多张中间图像,包括按照颜色通道的亮度,计算历史图像序列中任意两张相邻的历史图像的各颜色通道所对应的亮度的综合值,基于各颜色通道所对应的亮度的综合值,确定多张中间图像。
其中,颜色通道包括红(R)、绿(G)和蓝(B)三个颜色通道。红、绿和蓝三个颜色通道均有从0至255共256阶亮度,其中,当亮度为0时亮度最弱,当亮度为255时亮度最强。
示例性地,对于历史图像序列中所包括的多个两张相邻的历史图像中的当前两张相邻的历史图像,终端分别对当前两张相邻的历史图像的红颜色通道、绿颜色通道和蓝颜色通道所对应的亮度进行加权求和,得到红颜色通道所对应的亮度的综合值、绿颜色通道所对应的亮度的综合值和蓝颜色通道所对应的亮度的综合值;将红颜色通道所对应的亮度的综合值、绿颜色通道所对应的亮度的综合值和蓝颜色通道所对应的亮度的综合值进行关联,得到一张中间图像。
本实施例中,通过分别计算历史运转参数值序列中任意两组相邻的历史运转参数值中各类型所对应的综合值,历史图像序列中任意两张相邻的历史图像的各颜色通道多对应的亮度的综合值,根据任意两组相邻的历史运转参数值中各类型所对应的综合值,能够达到确定多组中间运转参数值的目的,以及根据任意两张相邻的历史图像的各颜色通道多对应的亮度的综合值,能够达到确定多张中间图像的目的。
在一个实施例中,如图3所示,按照颜色通道的亮度,计算历史图像序列中任意两张相邻的历史图像的各颜色通道所对应的亮度的综合值,基于各颜色通道所对应的亮度的综合值,确定多张中间图像,包括:
步骤302,对历史图像序列中各历史图像进行分割,得到每张历史图像各自对应的历史点阵图像,历史点阵图像包括多个像素块。
其中,历史点阵图像为经过分割后的历史图像,并且历史点阵图像和历史图像的尺寸相同。每个历史点阵图像包括M*N(M和N均为正整数)个像素块。例如,将一张尺寸为40cm*40cm的历史图像按照2行2列进行分割,得到历史点阵图像,该历史点阵图像包括4个像素块,并且每个像素块的尺寸为20cm*20cm。
示例性地,终端对历史图像序列中各历史图像进行分割,得到每张历史图像各自对应的历史点阵图像。
步骤304,确定历史图像序列中任意两张相邻的历史图像的历史点阵图像。
示例性地,终端确定历史图像序列中任意两张相邻的历史图像的历史点阵图像。
步骤306,获得确定的两张历史点阵图像中,对应相同位置处的像素块的亮度的综合值,基于各个位置分别对应的综合值,得到一张中间图像。
示例性地,历史点阵图像包括4个像素块,终端获取确定的两张历史点阵图像中4个像素块的红颜色通道所对应的亮度、绿颜色通道所对应的亮度和蓝颜色通道所对应的亮度,并分别对两张历史点阵图像中相同位置处的4个像素块(例如以图像的左下角为原点的直角坐标系中,位于第一行第一列的像素块、第一行第二列的像素块、第二行第一列的像素块、和第二行第二列的像素块)的红颜色通道所对应的亮度、绿颜色通道所对应的亮度和蓝颜色通道所对应的亮度进行加权求和,得到4个像素块的红颜色通道所对应的亮度的综合值、绿颜色通道所对应的亮度的综合值和蓝颜色通道所对应的亮度的综合值;将红颜色通道所对应的亮度的综合值、绿颜色通道所对应的亮度的综合值和蓝颜色通道所对应的亮度的综合值进行关联,得到4个中间像素块;基于4个中间像素块,得到一张中间图像。
本实施例中,通过对历史图像进行分割,得到与历史图像对应的多个像素块,并计算任意两张相邻的历史图像的历史点阵图像中,对应相同位置处的像素块的亮度的综合值,基于各个位置分别对应的综合值,得到一张中间图像,由于将历史图像分割为多个像素块,通过对像素块进行插值处理,能够提高中间图像的各颜色通道所对应的亮度的准确性,有助于达到提高发动机运转状态的监控准确率的目的,进而能够达到提高发动机运转状态的监控效率的目的。
在一个实施例中,样本图像为历史图像或中间图像,历史报警信息用于表征发动机是否发生常规故障,历史运转状态为正常运转或异常运转;根据多个历史报警信息、多组历史运转参数值或多组中间运转参数值中的至少一种,确定样本图像序列中各样本图像所对应的发动机的历史运转状态,包括根据多个历史报警信息或多组历史运转参数值中的至少一种,确定样本图像序列中各历史图像所对应的发动机的历史运转状态;根据多组中间运转参数值,确定样本图像序列中各中间图像所对应的发动机的历史运转状态。
示例性地,终端根据多个历史报警信息或多组历史运转参数值中的至少一种,确定样本图像序列中各历史图像所对应的发动机的历史运转状态;在多组中间运转参数值中的当前组中间运转参数值中的任一类型所对应的中间运转参数值超过预设范围的情况下,确定样本图像序列中与当前组中间运转参数值关联的当前中间图像所对应的发动机的历史运转状态为异常运转;在当前组中间运转参数值中各类型所对应的中间运转参数值均未超过预设范围的情况下,确定当前中间图像所对应的发动机的历史运转状态为正常运转。
在一个实施例中,根据多个历史报警信息或多组历史运转参数值中的至少一种,确定样本图像序列中各历史图像所对应的发动机的历史运转状态,包括在多个历史报警信息中的当前历史报警信息表征发动机发生常规故障的情况下,确定与当前历史报警信息关联的当前历史图像所对应的发动机的历史运转状态为异常运转;在当前历史报警信息表征发动机未发生常规故障的情况、并且与当前历史报警信息关联的当前组历史运转参数值中的任一类型所对应的历史运转参数值超过预设范围的情况下,确定当前历史图像所对应的发动机的历史运转状态为异常运转;在当前历史报警信息表征发动机未发生常规故障的情况、并且当前组历史运转参数值中各类型所对应的历史运转参数值均未超过预设范围的情况下,确定当前历史图像所对应的发动机的历史运转状态为正常运转。
本实施例中,通过按照历史报警信息、历史运转参数值或中间运转参数值的不同取值,分析各样本图像所对应的发动机的历史运转状态,能够达到根据多个历史报警信息、多组历史运转参数值或多组中间运转参数值中的至少一种,确定各样本图像所对应的发动机的历史运转状态的目的。
在一个实施例中,该方法还包括通过红外摄像头,采集目标时刻多台发动机表面的目标图像;对于各发动机中的当前发动机,通过运转状态评估模型,对当前发动机的目标图像进行评估,确定目标时刻当前发动机的运转状态是否异常;在当前发动机的运转状态为异常运转的情况下,指示用户终端通过微控制器对当前发动机进行故障处理。
其中,红外摄像头安装在多台发动机所处的试验间的对角位置,多台发动机分别部署在不同的发动机试验台架上。当前发动机是多台发动机中的任一台发动机。
图4是试验间内有两台发动机的情况下,发动机运转状态的监控系统的结构示意图。如图4所示,试验间内布置有试验台架A和试验台架B,试验台架A上的发动机与测功机连接,试验台架B上的发动机与测功机连接。
试验台架A是无法提供各类格式数据的发动机试验台架,因此需要通过发动机的电子控制单元(Electronic Control Unit,简称ECU)获取发动机的运转数据,并将发动机的运转数据传输至局域网(Controller Area Network,简称CAN)控制器;通过局域网控制器按照试验台架A所对应的通讯协议,获取发动机的运转数据,并将发动机的运转数据传输至微控制器(Microcontroller Unit,简称MCU);通过微控制器,对发动机的运转数据进行格式转换,得到发动机的运转参数,并将发动机的运转参数传输至主控计算机(即终端)。
试验台架B是能够提供各类格式数据的发动机试验台架,因此,通过试验台架B可以直接获取到发动机的运转参数,并将发动机的运转参数传输至主控计算机。
如图4所示,试验间的对角位置还布置有红外摄像头1和红外摄像头2,通过红外摄像头1和红外摄像头2分别采集试验台架A上的发动机和试验台架B上的发动机表面的图像。
主控计算机通过网络与用户终端连接,用于将发动机的运转参数传输至用户终端,以使得用户能够实时监控发动机的运转状态;还用于在发动机的运转状态为异常运转的情况下,接收用户终端发送的控制指令,并通过微控制器和局域网控制器将控制指令发送至异常运转的发动机的电子控制单元。
示例性地,终端通过红外摄像头采集目标时刻多台发动机表面的目标图像,对于各发动机中的当前发动机,将与当前发动机对应的目标图像输入运转状态评估模型,得到目标时刻下当前发动机的运转状态评估结果,在运转状态评估结果为异常运转的情况下,指示用户终端通过微控制器对当前发动机进行故障处理。其中,目标时刻是当前时刻,目标图像是目标时刻通过红外摄像头采集的图像。
本实施例中,通过红外摄像头采集目标时刻多台发动机表面的目标图像,并通过运转状态评估模型对目标图像进行评估,确定目标时刻各发动机的运转状态是否异常,能够达到对发动机的运转状态进行实时监测的目的。以及,在发动机的运转状态为异常运转的情况下,指示用户终端通过微控制器对发动机进行故障处理,能够达到及时地处理异常运转的发动机的故障的目的。
在一个实施例中,在当前发动机的运转状态为异常运转的情况下,指示用户终端通过微控制器对当前发动机进行故障处理,包括在当前发动机的运转状态为异常运转的情况下,指示用户终端向微控制器发送控制指令,并通过微控制器将控制指令发送至局域网控制器,并通过局域网控制器将控制指令发送至当前发动机的电子控制单元,以控制当前发动机回怠速或停机。
其中,局域网控制器用于在发动机的电子控制单元和微控制器之间传输不同格式的数据,从而能够克服不同厂家提供的发动机试验台架的通讯协议不同而导致发动机运转参数无法集中到一个主控计算机进行显示的问题。
示例性地,在当前发动机的运转状态为异常运转的情况下,终端指示用户终端向微控制器发送控制指令,并通过微控制器对控制指令进行格式转换,转换为与当前发动机所在发动机试验台架所对应的格式数据,并将格式转换后的控制指令发送至局域网控制器,通过局域网控制器将格式转换后的控制指令发送至当前发动机的电子控制单元,以控制当前发动机回怠速或停机。
本实施例中,通过指示用户终端向微控制器发送控制指令,能够达到在发动机的运转状态为异常运转的情况下,对发动机进行故障处理的目的。
在一个实施例中,如图5所示,还提供了一种发动机运转状态的监控方法,一方面,通过在发动机试验间的对角位置安装两个独立的红外摄像头,接收发动机及试验间内其他物体发出的红外辐射波,将光电信号转换成数字信号形式的红外信息,并传输至主控计算机,由主控计算机将红外信息转换成红外图像。另一方面,从发动机的ECU、试验台架的实时存储数据表或试验台架实时值数据库直接读取发动机信息,然后通过网络将发动机信息传输到主控计算机上,主控计算机接收各试验台架的发动机信息和红外图像后,结合红外图像和发动机信息进行机器学习,确定发动机正常运转时的红外图像特征,这样,经过足够样本数量的机器学习,主控计算机就能准确地判断当前发动机的运转状态是否正常,是否存在异常状态,比如局部温度过高、泄漏、发动机裂纹等问题。
具体方法如下:
1、对于无法实时提供各类格式数据的发动机试验台架,通过发动机ECU获得发动机信息,包括故障情况(即上述实施例中的报警信息)和运转参数值,运转参数值包括发动机运转的转速、扭矩、油门开度等。需要说明的是,采用MCU微控制器和CAN控制器,直接同发动机ECU相连接,获取发动机实时运转参数。
2、MCU微控制器对发动机信息进行格式转换,将格式转换后的发动机信息发送给主控计算机,主控计算机对发动机信息进行解码处理。
3、试验间内对角安装的红外摄像头拍摄包括发动机在内的试验间状态。由于发动机运转工况的不同,发动机表面和试验间内其它物体表面分子做不规则运动,产生不同波长和强度的红外线。红外摄像头接收到这些光电信号后,将其转换成数字信号,并通过网络传输到主控计算机。根据电磁光谱理论,可见光谱范围狭窄,而红外光谱则波段范围很宽,因此红外图像能够捕捉到试验间图像更多的细节。
4、主控计算机接收到红外信息和发动机ECU传输来的发动机信息后,将两者进行关联,并将关联后的红外图像和发动机信息存储至主控计算机。使用数据库进行存储,数据库中建立数据表,每个试验台架建立一张数据表。发动机信息(包括转速、扭矩、功能率等运转参数以及报警信息等)和对应的红外图像(二进制数字信息)作为数据表的列,作为后续主控计算机进行机器学习训练人工智能(Artificial Intelligence,简称AI)模型的样本。
判断当前发动机是否存在故障,即确定训练标签有以下三种方式:第一种方式是ECU通过CAN信号,直接给出的报警信息,比如ECU给出出水温度过高报警。第二种方式:判断发动机运转参数是否在合理区间范围,比如发动机排气温度是否超过预设范围,此种方式和第一种互相补充。第三种方式:操作人员基于经验的判断,比如操作人员看到试验间现场排烟泄漏的故障等。
5、主控计算机对数据库中存储的样本进行预处理,包括根据发动机转速、扭矩等数值大小对数据表中的各组运转参数值、报警信息和红外图像进行排序,然后,对红外图像进行增强处理,以锐化图像的边缘、边界;之后,再对红外图像进行分割,将一张图像分割成多排多列的像素块(像素块的点阵可以自定义设定),最后,利用插值法,插值得到不同转速、不同扭矩下的中间图像。
6、主控计算机根据红外图像和中间图像,进行机器学习。通过遗传算法或神经网络算法,主控计算机可以初步掌握发动机运转故障和运转正常的红外图像特征。这些红外特征自动存储到数据库中另外的表格中。随着样本数的增加和训练的不断加强,主控计算机可以掌握发动机各工况正常情况下的各像素块的红外图像特征,以及各种故障情况下的各像素块的红外图像特征,也就是建立了运转状态(包括各种故障)和红外图像的红外图像特征之间的相关性。
7、当主控计算机掌握发动机运转状态和红外图像特征之间的相关性后,便可自动监控发动机的运转。监控时以正常运转时的红外图像特征为判断依据,当试验间内各像素块与正常运转时的红外图像特征一致时(比如像素块的亮度、色彩、纹理、图像频谱、图像直方图等),也就是绝大多数像素块同某工况训练时的一致时,此时主控计算机可以自动推断出当前发动机的运转参数值(转速、扭矩等)。当像素块的多数同特征图像中一致,但有个别区域像素块特征同正常图像特征发生较大偏差,此时可以认为当前发动机存在异常。当出现同正常运转不一致的红外图像特征后,此时主控计算机就会给出报警,同时从故障特征库中查找该状态是否包含在已知故障特征中。如果包含在已知故障特征中,则主控计算机直接给出故障名称,如果不存在于已知故障特征中,则显示故障未知,此时由操作人员进行分析,并告知主控计算机当前发动机运行存在的问题或故障,这样模型又可以对新的样本进行进一步学习,对模型的特征值进行修正。
8、在模型训练完成后,主控计算机可以完全掌握当前发动机及试验间物体表面及空间的红外图像特征。由于红外线属于不可见光,因此,不受可见光影响。比如发动机尾气泄漏时,由于现在的发动机排放控制水平较高,肉眼根本无法看到泄漏。但通过红外拍摄,可以清楚的看到在泄漏区域的像素块内,会产生高温气体流动产生的光柱。燃油泄漏、机油泄漏等也均可以在各自周边像素块中产生类似的特征图像。因此当试验间内出现燃油、机油、冷却液、尾气或者发动机进气泄漏时,以及发动机局部温度过高或者过低,以及发动机缸体、缸盖出现裂纹时都会在像素块中出现明确的红外特征图像,出现了这些特征图像,主控计算机即可给出试验运转异常的原因。红外图像特征,包括图像的形状、亮度、色彩、纹理、图像频谱、图像直方图等。
9、发现运转异常时,可以通过远程控制方式对发动机直接进行停机、回怠速等处理。远程控制方式可以是通过主控计算机向发动机ECU发送CAN信息。
本实施例中,通过对试验台架采取不同的信息采集办法,能够获取发动机运转信息,另外通过对角安装的红外摄像头对试验间进行全方位红外拍照,红外信息进行光电转换后也通过网络进行传输,在主控计算机通过AI模型进行智能分析,得到发动机运转时试验间内的红外图像,并根据红外图像进行发动机运转的集中监控。从而能够达到提高发动机运转状态的监控效率的目的。并且,还能够克服不同厂家试验台架通讯协议不同,无法集中到一个客户端进行显示和控制的问题。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的发动机运转状态的监控方法的发动机运转状态的监控装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个发动机运转状态的监控装置实施例中的具体限定可以参见上文中对于发动机运转状态的监控方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种发动机运转状态的监控装置600,包括:获取模块601、排序模块602、插值模块603、更新模块604、确定模块605和训练模块606,其中:
获取模块601,用于获取历史时间段内发动机的多张历史图像、相应的多组历史运转参数值、以及相应的多个历史报警信息。
排序模块602,用于对发动机的多组历史运转参数值和多张历史图像进行排序,得到历史运转参数值序列和相应的历史图像序列。
插值模块603,用于对历史运转参数值序列中任意两组相邻的历史运转参数值进行插值处理,得到多组中间运转参数值,并对历史图像序列中任意两张相邻的历史图像进行插值处理,得到多张中间图像。
更新模块604,用于通过多张中间图像更新历史图像序列,得到样本图像序列。
确定模块605,用于根据多个历史报警信息、多组历史运转参数值或多组中间运转参数值中的至少一种,确定样本图像序列中各样本图像所对应的发动机的历史运转状态。
训练模块606,用于将样本图像作为初始模型的输入,将样本图像所对应的发动机的历史运转状态作为初始模型的训练标签,对初始模型进行训练,得到运转状态评估模型,运转状态评估模型用于对发动机的运转状态进行监控。
在一个实施例中,历史运转参数值的类型包括转速、扭矩、排气温度、机油压力或功能率中的至少一种,插值模块603还用于按照历史运转参数值的类型,计算历史运转参数值序列中任意两组相邻的历史运转参数值中各类型所对应的综合值,并基于各类型所对应的综合值的组合,确定多组中间运转参数值;按照颜色通道的亮度,计算历史图像序列中任意两张相邻的历史图像的各颜色通道所对应的亮度的综合值,基于各颜色通道所对应的亮度的综合值,确定多张中间图像。
在一个实施例中,插值模块603还用于对历史图像序列中各历史图像进行分割,得到每张历史图像各自对应的历史点阵图像,历史点阵图像包括多个像素块;确定历史图像序列中任意两张相邻的历史图像的历史点阵图像;获得确定的两张历史点阵图像中,对应相同位置处的像素块的亮度的综合值,基于各个位置分别对应的综合值,得到一张中间图像。
在一个实施例中,样本图像为历史图像或中间图像,历史报警信息用于表征发动机是否发生常规故障,历史运转状态为正常运转或异常运转;确定模块605还用于根据多个历史报警信息或多组历史运转参数值中的至少一种,确定样本图像序列中各历史图像所对应的发动机的历史运转状态;根据多组中间运转参数值,确定样本图像序列中各中间图像所对应的发动机的历史运转状态。
在一个实施例中,发动机运转状态的监控装置600还包括监控模块,监控模块用于通过红外摄像头,采集目标时刻多台发动机表面的目标图像;对于各发动机中的当前发动机,通过运转状态评估模型,对当前发动机的目标图像进行评估,确定目标时刻当前发动机的运转状态是否异常;在当前发动机的运转状态为异常运转的情况下,指示用户终端通过微控制器对当前发动机进行故障处理。
在一个实施例中,监控模块还用于在当前发动机的运转状态为异常运转的情况下,指示用户终端向微控制器发送控制指令,并通过微控制器将控制指令发送至局域网控制器,并通过局域网控制器将控制指令发送至当前发动机的电子控制单元,以控制当前发动机回怠速或停机。
上述发动机运转状态的监控装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种发动机运转状态的监控方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种发动机运转状态的监控方法,其特征在于,所述方法包括:
获取历史时间段内发动机的多张历史图像、相应的多组历史运转参数值、以及相应的多个历史报警信息;
对发动机的所述多组历史运转参数值和多张历史图像进行排序,得到历史运转参数值序列和相应的历史图像序列;
对所述历史运转参数值序列中任意两组相邻的历史运转参数值进行插值处理,得到多组中间运转参数值,并对所述历史图像序列中任意两张相邻的历史图像进行插值处理,得到多张中间图像;
通过所述多张中间图像更新所述历史图像序列,得到样本图像序列;
根据所述多个历史报警信息、所述多组历史运转参数值或所述多组中间运转参数值中的至少一种,确定所述样本图像序列中各样本图像所对应的发动机的历史运转状态;
将所述样本图像作为初始模型的输入,将样本图像所对应的发动机的历史运转状态作为所述初始模型的训练标签,对所述初始模型进行训练,得到运转状态评估模型,所述运转状态评估模型用于对发动机的运转状态进行监控。
2.根据权利要求1所述的方法,其特征在于,所述历史运转参数值的类型包括转速、扭矩、排气温度、机油压力或功能率中的至少一种,所述对所述历史运转参数值序列中任意两组相邻的历史运转参数值进行插值处理,得到多组中间运转参数值,包括:
按照历史运转参数值的类型,计算所述历史运转参数值序列中任意两组相邻的历史运转参数值中各类型所对应的综合值,并基于各类型所对应的综合值的组合,确定多组中间运转参数值;
所述对所述历史图像序列中任意两张相邻的历史图像进行插值处理,得到多张中间图像,包括:
按照颜色通道的亮度,计算所述历史图像序列中任意两张相邻的历史图像的各颜色通道所对应的亮度的综合值,基于所述各颜色通道所对应的亮度的综合值,确定多张中间图像。
3.根据权利要求2所述的方法,其特征在于,所述按照颜色通道的亮度,计算所述历史图像序列中任意两张相邻的历史图像的各颜色通道所对应的亮度的综合值,基于所述各颜色通道所对应的亮度的综合值,确定多张中间图像,包括:
对所述历史图像序列中各历史图像进行分割,得到每张历史图像各自对应的历史点阵图像,所述历史点阵图像包括多个像素块;
确定所述历史图像序列中任意两张相邻的历史图像的历史点阵图像;
获得确定的两张历史点阵图像中,对应相同位置处的像素块的亮度的综合值,基于各个位置分别对应的综合值,得到一张中间图像。
4.根据权利要求1所述的方法,其特征在于,所述样本图像为历史图像或中间图像,所述历史报警信息用于表征发动机是否发生常规故障,所述历史运转状态为正常运转或异常运转;所述根据所述多个历史报警信息、所述多组历史运转参数值或所述多组中间运转参数值中的至少一种,确定所述样本图像序列中各样本图像所对应的发动机的历史运转状态,包括:
根据所述多个历史报警信息或所述多组历史运转参数值中的至少一种,确定所述样本图像序列中各历史图像所对应的发动机的历史运转状态;
根据所述多组中间运转参数值,确定所述样本图像序列中各中间图像所对应的发动机的历史运转状态。
5.根据权利要求1至4中任一项所述的方法,所述方法还包括:
通过红外摄像头,采集目标时刻多台发动机表面的目标图像;
对于各发动机中的当前发动机,通过所述运转状态评估模型,对当前发动机的所述目标图像进行评估,确定目标时刻当前发动机的运转状态是否异常;
在当前发动机的运转状态为异常运转的情况下,指示用户终端通过微控制器对当前发动机进行故障处理。
6.根据权利要求5所述的方法,其特征在于,所述在当前发动机的运转状态为异常运转的情况下,指示用户终端通过微控制器对当前发动机进行故障处理,包括:
在当前发动机的运转状态为异常运转的情况下,指示用户终端向微控制器发送控制指令,并通过所述微控制器将所述控制指令发送至局域网控制器,并通过所述局域网控制器将所述控制指令发送至当前发动机的电子控制单元,以控制所述当前发动机回怠速或停机。
7.一种发动机运转状态的监控装置,其特征在于,所述装置包括:
获取模块,用于获取历史时间段内发动机的多张历史图像、相应的多组历史运转参数值、以及相应的多个历史报警信息;
排序模块,用于对发动机的所述多组历史运转参数值和多张历史图像进行排序,得到历史运转参数值序列和相应的历史图像序列;
插值模块,用于对所述历史运转参数值序列中任意两组相邻的历史运转参数值进行插值处理,得到多组中间运转参数值,并对所述历史图像序列中任意两张相邻的历史图像进行插值处理,得到多张中间图像;
更新模块,用于通过所述多张中间图像更新所述历史图像序列,得到样本图像序列;
确定模块,用于根据所述多个历史报警信息、所述多组历史运转参数值或所述多组中间运转参数值中的至少一种,确定所述样本图像序列中各样本图像所对应的发动机的历史运转状态;
训练模块,用于将所述样本图像作为初始模型的输入,将样本图像所对应的发动机的历史运转状态作为所述初始模型的训练标签,对所述初始模型进行训练,得到运转状态评估模型,所述运转状态评估模型用于对发动机的运转状态进行监控。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310011747.6A CN115979651A (zh) | 2023-01-05 | 2023-01-05 | 发动机运转状态的监控方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310011747.6A CN115979651A (zh) | 2023-01-05 | 2023-01-05 | 发动机运转状态的监控方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115979651A true CN115979651A (zh) | 2023-04-18 |
Family
ID=85959419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310011747.6A Pending CN115979651A (zh) | 2023-01-05 | 2023-01-05 | 发动机运转状态的监控方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115979651A (zh) |
-
2023
- 2023-01-05 CN CN202310011747.6A patent/CN115979651A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11488294B2 (en) | Method for detecting display screen quality, apparatus, electronic device and storage medium | |
CN104680524B (zh) | 一种叶类蔬菜病害诊断方法 | |
CN109801232A (zh) | 一种基于深度学习的单幅图像去雾方法 | |
CN116630766B (zh) | 一种多源信息数据处理系统、方法及设备 | |
CN112840636A (zh) | 一种图像处理方法和装置 | |
CN113435453B (zh) | 基于卷积神经网络的往复式压缩机故障诊断方法及系统 | |
CN113468996A (zh) | 一种基于边缘细化的伪装物体检测方法 | |
CN116092199B (zh) | 一种员工工作状态识别方法及识别系统 | |
CN114548301B (zh) | 基于迁移学习的压缩机故障诊断方法及系统 | |
CN112036327A (zh) | 一种基于ssd的轻量化安全帽检测方法 | |
CN113947746A (zh) | 一种基于反馈机制监督下的配网安全质量管控方法 | |
CN115145788A (zh) | 一种针对智能运维系统的检测数据生成方法和装置 | |
CN115979651A (zh) | 发动机运转状态的监控方法、装置和计算机设备 | |
CN106960188B (zh) | 天气图像分类方法及装置 | |
CN113255585A (zh) | 一种基于色彩空间学习的人脸视频心率估计方法 | |
CN115849202B (zh) | 基于数字孪生技术的智能起重机操作目标识别方法 | |
JP7043320B2 (ja) | 状態分析装置および状態分析方法 | |
CN110855467B (zh) | 一种基于计算机视觉技术的网络综合态势预测方法 | |
CN114233581A (zh) | 一种风机机舱智能巡视报警系统 | |
CN110222575B (zh) | 基于注意力机制目标检测的设备综合效率分析方法、装置、系统、设备及存储介质 | |
CN114118129A (zh) | 一种检测城市照明设施的方法 | |
CN115527161B (zh) | 异常放电监测方法、装置、计算机设备和存储介质 | |
CN113284103A (zh) | 基于空间变换Faster R-CNN模型的变电站设备缺陷在线检测系统 | |
CN112270385A (zh) | 基于卷积神经网络的竹片图像分类方法 | |
Lu et al. | Object Detection System Based on Faster R-CNN |
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 |