CN117054104A - 一种摩托车发动机性能测试平台及系统 - Google Patents
一种摩托车发动机性能测试平台及系统 Download PDFInfo
- Publication number
- CN117054104A CN117054104A CN202311025467.7A CN202311025467A CN117054104A CN 117054104 A CN117054104 A CN 117054104A CN 202311025467 A CN202311025467 A CN 202311025467A CN 117054104 A CN117054104 A CN 117054104A
- Authority
- CN
- China
- Prior art keywords
- feature
- target
- preprocessing
- variable
- characteristic
- 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
- 238000011056 performance test Methods 0.000 title claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 56
- 238000012360 testing method Methods 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 40
- 230000008569 process Effects 0.000 claims abstract description 33
- 238000013507 mapping Methods 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000003062 neural network model Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000007405 data analysis Methods 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims description 24
- 239000000446 fuel Substances 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 238000001816 cooling Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000295 fuel oil Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000110 cooling liquid Substances 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/04—Testing internal-combustion engines
- G01M15/05—Testing internal-combustion engines by combined monitoring of two or more different engine parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Testing Of Engines (AREA)
Abstract
本发明公开了一种摩托车发动机性能测试平台及系统，属于发动机测试技术领域。系统包括发动机测试平台、数据采集模块、预处理模块和数据分析模块；数据采集模块用于采集运行过程参数；预处理模块对运行过程参数进行训练数据预处理得到第一预处理结果并更新目标特征映射关系，根据目标特征映射关系对运行过程参数进行分析数据预处理得到第二预处理结果；数据分析模块通过第一预处理结果训练神经网络模型，通过将第二预处理结果输入神经网络模型得到测试结果。本申请根据目标特征映射关系进行分析数据预处理，以快速选择最优特征变量类型，从而降低输入数据的维度，提高了神经网络模型分析的准确性和效率。
Description
技术领域
本发明涉及发动机测试技术领域，具体是一种摩托车发动机性能测试平台及系统。
背景技术
发动机性能测试通常通过实验台架测试，即将发动机固定在测试平台上，通过测试平台使发动机不同状态下工作，获取相应的测试数据，再进行数据处理和分析以评估发动机的性能。然而，发动机性能受多个因素织影响，这些因素之间可能存在复杂的非线性关系，如相互作用、阶段性变化等。传统的数据处理和分析方式面临的挑战是通过有限的经验和知识来发现和理解这些隐藏的复杂关系，难以捕捉到所有的潜在因素和其对性能的影响。
相对于传统的数据处理和分析方式，神经网络模型可以通过学习大量数据中的模式和规律，自动发现隐藏的复杂关系。目前，在神经网络模型的实际应用过程中，往往需要考虑多种因素对目标变量的影响，导致输入数据的维度很高，分析和处理这些数据会比较复杂和耗时；并且由于输入数据量大、维度，数据中可能受到噪声干扰和误差影响，导致分析结果不够准确和可靠。
发明内容
为解决上述背景技术中存在的问题，本发明提出了一种摩托车发动机性能测试系统，能够快速选择最优特征变量类型，降低输入数据的维度，从而减少分析过程中的噪声和误差，提高神经网络模型分析的准确性和效率。
本发明目的通过以下技术方案实现：
一种摩托车发动机性能测试系统，包括发动机测试平台、数据采集模块、预处理模块和数据分析模块；
所述发动机测试平台设有发动机和测试设备；
所述数据采集模块与发动机测试平台通信连接，用于采集运行过程参数；所述运行过程参数包括目标变量参数组和特征变量参数组；目标变量参数组表示为T＝{T1,T2,...,Tn}，n为目标变量类型总数；特征变量参数组表示为F＝{F1,F2,...,Fm}，m为特征变量类型总数；n和m为大于2的正整数；
所述预处理模块用于存储目标特征映射关系，对运行过程参数进行训练数据预处理得到第一预处理结果并更新目标特征映射关系，根据目标特征映射关系对运行过程参数进行分析数据预处理得到第二预处理结果；所述目标特征映射关系为目标变量类型与最优特征变量类型的映射关系；
所述数据分析模块，通过第一预处理结果训练神经网络模型，通过将第二预处理结果输入神经网络模型得到测试结果；
所述对运行过程参数进行训练数据预处理，包括对所述运行过程参数进行数据转换；所述数据转换为依次执行目标变量选择、特征评估、特征排序和特征选择操作n次得到第一预处理结果；所述第一预处理结果包括每个目标变量类型的最优特征子集。
作为优选方案，所述特征评估具体为计算每个特征变量类型与目标变量类型Ti之间的相关系数；所述相关系数表示为：
其中，i∈{1,2,...,n}，j∈{1,2,...,m}，Fj为特征变量参数的第j个元素，Cov(Fj,Ti)为Fj与Ti的协方差，σ(Fj)为Fj的方差，σ(Ti)为Ti的方差。
作为优选方案，所述特征排序为将各个特征变量类型按照其与目标变量类型Ti的相关系数的绝对值从高到低进行排序，并将目标变量类型Ti的相关系数r(Fj,Ti)取值最大时的特征变量类型Fj表示为最强相关特征Fi,max。
作为优选方案，所述特征选择，包括步骤：
S11、将特征集A初始化为空集，设定每次迭代选择的特征数量k，设定模型评估指标，k为大于1且小于m的正整数；
S12、将最强相关特征Fi,max作为第一个特征加入特征集A，设变量L＝m-1；
S13、将不属于特征集A中的元素的L个特征变量参数分别加入特征集A中形成L个特征子集，然后使用评估指标对所述L个特征子集进行评估，选择评估指标最高的特征子集作为新的特征集A，变量L自减1；
S14、重复步骤S13，直到特征集A中的特征数量等于预设值k，将最终的特征集A作为最优特征子集。
作为优选方案，所述特征选择，还包括步骤：
S15、将目标变量类型Ti在所述目标特征映射关系中对应的最优特征变量类型更新为最优特征子集包括的特征变量类型。
作为优选方案，所述根据目标特征映射关系对运行过程参数进行分析数据预处理得到第二预处理结果，包括以下步骤：
S21、选择未合并为特征向量的目标变量类型，根据目标特征映射关系获取所述目标变量类型的最优特征变量类型；
S22、根据选择的目标变量类型从目标变量参数组中筛选目标变量参数，根据最优特征变量类型从特征变量参数组中筛选特征变量参数；
S23、将目标变量参数和特征变量参数合并为若干特征向量；每个所述特征向量包括k+1个元素，其中k个元素为特征变量参数，1个元素为目标变量参数；
S24、重复步骤S21至步骤S23，直至所有目标变量类型合并为特征向量。
作为优选方案，所述神经网络模型为多层感知器模型；所述多层感知器模型通过Adam优化算法训练。
作为优选方案，所述测试设备包括负载装置、燃油供应装置和冷却装置。
作为优选方案，所述目标变量类型包括转矩、转速、输出功率、燃油消耗率、废气排放量和故障发生率；所述特征变量类型包括运行总时长、当次测试运行时长、负载、进气量和燃油供应量。
作为优选方案，摩托车发动机性能测试系统还包括控制模块；所述控制模块与发动机测试平台通信连接，用于控制发动机和测试设备；所述控制模块包括工控机和执行机构；所述工控机用于与操作员进行交互，编译并运行设定的控制程序；执行机构用于根据控制程序向发动机和测试设备发送操作指令。
与现有技术相比，本发明具有如下有益效果：
本申请通过训练数据预处理更新目标特征映射关系，并根据目标特征映射关系进行分析数据预处理，能够快速选择最优特征变量类型，从而降低了输入数据的维度，减少了分析过程中的噪声和误差，提高了神经网络模型分析的准确性和效率；
本申请在训练数据预处理阶段，通过特征评估、特征排序和特征选择筛选出对目标变量类型的最优特征子集，可以消除无关或冗余的特征，从而减少数据集的噪音，提高模型泛化能力，降低模型过拟合的风险；同时，可以减少原始数据的维度，从而减少算法的计算量和内存使用，加快算法执行速度；
本申请通过负载装置模拟实际行驶中的阻力，进气装置模拟不同工况下的进气流量，燃油供应装置控制发动机的燃油供应，冷却装置控制发动机的温度，以模拟实际行驶条件下的发动机状态，从而得到可靠的测试数据；并通过将测试数据转化为不同目标变量类型的特征向量进行评估测试，从而能够全面、准确判断发动机的动力性能、燃油消耗率、环保性能和可靠性。
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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例的摩托车发动机性能测试系统的结构示意图；
图2为本发明一实施例的特征选择的流程示意图；
图3为本发明一实施例的根据目标特征映射关系对运行过程参数进行分析数据预处理得到第二预处理结果的流程示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。需要说明的是，术语“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。
请参阅图1，本发明提供了一种摩托车发动机性能测试系统，包括控制模块、发动机测试平台、数据采集模块、预处理模块和数据分析模块；
所述发动机测试平台设有发动机和测试设备。
所述控制模块与发动机测试平台通信连接，用于控制发动机和测试设备。
所述数据采集模块与发动机测试平台通信连接，用于采集运行过程参数。运行过程参数包括目标变量参数组和特征变量参数组；目标变量参数组表示为T＝{T1,T2,...,Tn}，n为目标变量类型总数。特征变量参数组表示为F＝{F1,F2,...,Fm}，m为特征变量类型总数，n和m为大于2的正整数。目标变量参数组中的元素T1至Tn为第i-n个目标变量类型的目标变量参数，特征变量参数组中的元素F1至Fm为第i-m个特征变量类型的特征变量参数。
所述预处理模块用于存储目标特征映射关系，对运行过程参数进行训练数据预处理得到第一预处理结果并更新目标特征映射关系，根据目标特征映射关系对运行过程参数进行分析数据预处理得到第二预处理结果。其中，所述目标特征映射关系为目标变量类型与最优特征变量类型的映射关系，最优特征变量类型为特征变量参数组中的所有特征变量类型的子集。
所述数据分析模块，通过第一预处理结果训练神经网络模型，通过将第二预处理结果输入神经网络模型得到测试结果。
其中，所述对运行过程参数进行训练数据预处理，包括对所述运行过程参数进行数据清洗和数据转换。其中，数据清洗用于检查参数的重复值、缺失值或无效值，并根据对其进行替换、插值或删除等处理。所述数据转换为依次执行目标变量选择、特征评估、特征排序和特征选择操作n次得到第一预处理结果；所述第一预处理结果包括每个目标变量类型的最优特征子集。
其中，所述目标变量选择，具体为选择一个目标变量类型作为特征评估、特征排序和特征选择的目标变量；设定被选择的所述目标变量类型表示为Ti，i∈{1,2,...,n}。
作为优选实施例，所述特征评估具体为计算每个特征变量类型与目标变量类型Ti之间的相关系数，以衡量特征对预测的贡献程度。相关系数取值范围为[-1,1]，具体表示为：
其中，i∈{1,2,...,n}，j∈{1,2,...,m}，Fj为第j个特征变量类型，Cov(Fj,Ti)为Fj与Ti的协方差，σ(Fj)为Fj的方差，σ(Ti)为Ti的方差。
具体的，所述特征排序为将各个特征变量类型按照其与目标变量类型Ti的相关系数的绝对值从高到低进行排序，并将目标变量类型Ti的相关系数r(Fj,Ti)取值最大时的特征变量类型Fj表示为最强相关特征Fi,max。
作为优选实施例，请参阅图2，所述特征选择，具体包括步骤：
S11、将特征集A初始化为空集，设定每次迭代选择的特征数量k，设定模型评估指标；其中，k为大于1且小于m的正整数，评估指标包括准确率、F1-score等。
S12、将最强相关特征Fi,max作为第一个特征，加入特征集A中，设变量L＝m-1。
S13、将不属于特征集A中的元素的L个特征变量参数分别加入特征集A中形成L个特征子集，然后使用评估指标对所述L个特征子集进行评估，选择评估指标最高的特征子集作为新的特征集A，变量L自减1。
S14、重复步骤S13，特征集A中的特征数量等于预设值k，将最终的特征集A作为最优特征子集。所述第一预处理结果包括最优特征子集，最优特征子集用于训练神经网络模型。
S15、将目标变量类型Ti在所述目标特征映射关系中对应的最优特征变量类型更新为最优特征子集包括的特征变量类型。
基于前述内容，本申请实施例通过特征评估、特征排序和特征选择筛选出对目标变量类型的最优特征子集，可以消除无关或冗余的特征，从而减少数据集的噪音，提高模型泛化能力，降低模型过拟合的风险；同时，可以减少原始数据的维度，从而减少算法的计算量和内存使用，加快算法执行速度。
作为优选实施例，请参阅图3，所述根据目标特征映射关系对运行过程参数进行分析数据预处理得到第二预处理结果，包括以下步骤：
S21、选择未合并为特征向量的目标变量类型，根据目标特征映射关系获取所述目标变量类型的最优特征变量类型；
S22、根据选择的目标变量类型从目标变量参数组中筛选目标变量参数，根据最优特征变量类型从特征变量参数组中筛选特征变量参数；
S23、将目标变量参数和特征变量参数合并为若干特征向量；其中，每个特征向量包括k+1个元素，其中k个元素为特征变量参数，1个元素为目标变量参数。其中，特征向量的数量具体为选择的目标变量类型的目标变量参数的数量。
S24、重复步骤S21至步骤S23，直至所有目标变量类型合并为特征向量。
基于前述内容，本申请通过训练数据预处理更新目标特征映射关系，并根据目标特征映射关系进行分析数据预处理能够快速选择最优特征变量类型，从而降低了输入数据的维度，减少了分析过程中的噪声和误差，提高了分析的准确性和效率。
作为优选实施例，所述神经网络模型为多层感知器模型。多层感知器模型是一种前馈神经网络模型，由多个神经元层组成，每层都与前一层和后一层之间的神经元有权重。多层感知器模型具有一层输入层，一层输出层和多个隐藏层。其中，输入层接受来自输入数据的信号，并传递到隐藏层。每个隐藏层都使用非线性函数对信号进行处理，然后将结果传递到下一层，最终，输出层将产生一个目标变量的预测。
多层感知器模型的训练是通过优化算法完成的，此算法可以根据误差进行调整每个神经元的权重，从而实现预测精度的不断优化。
作为优选实施例，所述优化算法包括Adam优化算法。Adam优化算法结合了梯度下降和动量优化算法思想，通过对梯度一阶矩(均值)和二阶矩(方差)进行估计，自适应地调整每个参数的长，以更为高效地优化模型参数。Adam算法可以自适应地调整更新步长和动量系数，能够快速适应梯度信息的变化，从而在训练深层神经网络时可以避免梯度消失或梯度爆炸的问题。
作为优选实施例，所述测试设备包括负载装置、燃油供应装置和冷却装置。负载装置用于向发动机提供负载以模拟实际行驶过程中的阻力。负载装置采用电磁力负载装置或水力负载装置。电磁力负载装置控制电磁铁的电流来调节负载；水力负载装置通过调节水流量和压力来模拟负载。进气装置包括风机，用于向发动机提供气体，模拟不同工况下的进气流量。燃油供应装置，用于向发动机供应燃油。冷却装置为液体循环冷却装置，用于控制测试过程中的发动机温度。本实施例通过负载装置模拟实际行驶中的阻力，进气装置模拟不同工况下的进气流量，燃油供应装置控制发动机的燃油供应，冷却装置控制发动机的温度，以模拟实际行驶条件下的发动机状态，从而得到可靠的测试数据。
作为优选实施例，目标变量类型包括转矩、转速、输出功率、燃油消耗率、废气排放量和故障发生率。特征变量类型至少包括运行总时长、当次测试运行时长、负载、进气量和燃油供应量，还可以包括环境温度、环境湿度、润滑油型号、燃油型号、空气质量(灰尘、颗粒物在空气中的浓度)、空气中的氧气浓度、发动机温度、冷却液性能、震动强度等。特征变量类型具有复杂性和多样性，本申请不对其数量进行具体限制。
作为优选实施例，所述测试结果包括动力性能测试结果、燃油消耗率测试结果、排放性能测试结果和故障率测试结果。其中，动力性能测试结果指对发动机动力性能的评估，通过目标变量类型为转矩、转速和输出功率的特征向量计算得到。燃油消耗率测试结果指对发动机的燃油消耗的评估，通过目标变量类型为燃油消耗率的特征向量计算得到。排放性能测试结果指对发动机排放水平的评估，通过目标变量类型为废气排放量的特征向量计算得到。故障率测试结果指对发动机故障的诊断和评估，通过目标变量类型为故障发生率的特征向量计算得到。本实施例通过对包括不同目标变量类型的特征向量进行评估测试，从而能够全面、准确判断发动机的动力性能、燃油消耗率、环保性能和可靠性。
作为优选实施例，所述控制模块包括工控机和执行机构。工控机负责与操作员进行交互，编译并运行设定的控制程序；执行机构(如伺服电动机、电动阀门、变频器等)用于根据控制程序向发动机和测试设备发送操作指令，以对发动机和测试设备进行精确的控制。其中，工控机和数据采集系统之间通信采用高速通信接口(如PCI、USB或以太网等)链接。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，read-onlymemory)、随机存取存储器(RAM，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种摩托车发动机性能测试系统，其特征在于：包括发动机测试平台、数据采集模块、预处理模块和数据分析模块；
所述发动机测试平台设有发动机和测试设备；
所述数据采集模块与发动机测试平台通信连接，用于采集运行过程参数；所述运行过程参数包括目标变量参数组和特征变量参数组；目标变量参数组表示为T＝{T1,T2,...,Tn}，n为目标变量类型总数；特征变量参数组表示为F＝{F1,F2,...,Fm}，m为特征变量类型总数；n和m为大于2的正整数；
所述预处理模块用于存储目标特征映射关系，对运行过程参数进行训练数据预处理得到第一预处理结果并更新目标特征映射关系，根据目标特征映射关系对运行过程参数进行分析数据预处理得到第二预处理结果；所述目标特征映射关系为目标变量类型与最优特征变量类型的映射关系；
所述数据分析模块，通过第一预处理结果训练神经网络模型，通过将第二预处理结果输入神经网络模型得到测试结果；
所述对运行过程参数进行训练数据预处理，包括对所述运行过程参数进行数据转换；所述数据转换为依次执行目标变量选择、特征评估、特征排序和特征选择操作n次得到第一预处理结果；所述第一预处理结果包括每个目标变量类型的最优特征子集。
2.根据权利要求1所述的摩托车发动机性能测试系统，其特征在于：所述特征评估具体为计算每个特征变量类型与目标变量类型Ti之间的相关系数；所述相关系数表示为：
其中，i∈{1,2,...,n}，j∈{1,2,...,m}，Fj为特征变量参数的第j个元素，Cov(Fj,Ti)为Fj与Ti的协方差，σ(Fj)为Fj的方差，σ(Ti)为Ti的方差。
3.根据权利要求2所述的摩托车发动机性能测试系统，其特征在于：所述特征排序为将各个特征变量类型按照其与目标变量类型Ti的相关系数的绝对值从高到低进行排序，并将目标变量类型Ti的相关系数r(Fj,Ti)取值最大时的特征变量类型Fj表示为最强相关特征Fi,max。
4.根据权利要求3所述的摩托车发动机性能测试系统，其特征在于：所述特征选择，包括以下步骤：
S11、将特征集A初始化为空集，设定每次迭代选择的特征数量k，设定模型评估指标，k为大于1且小于m的正整数；
S12、将最强相关特征Fi,max作为第一个特征加入特征集A，设变量L＝m-1；
S13、将不属于特征集A中的元素的L个特征变量参数分别加入特征集A中形成L个特征子集，然后使用评估指标对所述L个特征子集进行评估，选择评估指标最高的特征子集作为新的特征集A，变量L自减1；
S14、重复步骤S13，直到特征集A中的特征数量等于预设值k，将最终的特征集A作为最优特征子集。
5.根据权利要求4所述的摩托车发动机性能测试系统，其特征在于：所述特征选择，还包括步骤：
S15、将目标变量类型Ti在所述目标特征映射关系中对应的最优特征变量类型更新为最优特征子集包括的特征变量类型。
6.根据权利要求1所述的摩托车发动机性能测试系统，其特征在于：所述根据目标特征映射关系对运行过程参数进行分析数据预处理得到第二预处理结果，包括以下步骤：
S21、选择未合并为特征向量的目标变量类型，根据目标特征映射关系获取所述目标变量类型的最优特征变量类型；
S22、根据选择的目标变量类型从目标变量参数组中筛选目标变量参数，根据最优特征变量类型从特征变量参数组中筛选特征变量参数；
S23、将目标变量参数和特征变量参数合并为若干特征向量；每个所述特征向量包括k+1个元素，其中k个元素为特征变量参数，1个元素为目标变量参数；
S24、重复步骤S21至步骤S23，直至所有目标变量类型合并为特征向量。
7.根据权利要求1所述的摩托车发动机性能测试系统，其特征在于：所述神经网络模型为多层感知器模型；所述多层感知器模型通过Adam优化算法训练。
8.根据权利要求1所述的摩托车发动机性能测试系统，其特征在于：所述测试设备包括负载装置、燃油供应装置和冷却装置。
9.根据权利要求1所述的摩托车发动机性能测试系统，其特征在于：所述目标变量类型包括转矩、转速、输出功率、燃油消耗率、废气排放量和故障发生率；所述特征变量类型包括运行总时长、当次测试运行时长、负载、进气量和燃油供应量。
10.根据权利要求1所述的摩托车发动机性能测试系统，其特征在于：还包括控制模块；所述控制模块与发动机测试平台通信连接，用于控制发动机和测试设备；所述控制模块包括工控机和执行机构；所述工控机用于与操作员进行交互，编译并运行设定的控制程序；执行机构用于根据控制程序向发动机和测试设备发送操作指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311025467.7A CN117054104B (zh) | 2023-08-15 | 2023-08-15 | 一种摩托车发动机性能测试平台及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311025467.7A CN117054104B (zh) | 2023-08-15 | 2023-08-15 | 一种摩托车发动机性能测试平台及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117054104A true CN117054104A (zh) | 2023-11-14 |
| CN117054104B CN117054104B (zh) | 2024-02-06 |
Family
ID=88662093
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311025467.7A Active CN117054104B (zh) | 2023-08-15 | 2023-08-15 | 一种摩托车发动机性能测试平台及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117054104B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060059112A1 (en) * | 2004-08-25 | 2006-03-16 | Jie Cheng | Machine learning with robust estimation, bayesian classification and model stacking |
| CN107545122A (zh) * | 2017-09-27 | 2018-01-05 | 重庆长安汽车股份有限公司 | 一种基于神经网络的车辆气体排放物的模拟仿真系统 |
| CN108319739A (zh) * | 2017-10-27 | 2018-07-24 | 宜春学院 | 一种混沌rbf神经网络汽油机进气流量预测方法 |
| CN112231980A (zh) * | 2020-10-19 | 2021-01-15 | 西安建筑科技大学 | 一种发动机寿命预测方法、存储介质及计算设备 |
| CN113554153A (zh) * | 2021-07-23 | 2021-10-26 | 潍柴动力股份有限公司 | 氮氧化物排放量预测方法、装置、计算机设备及介质 |
| CN114215706A (zh) * | 2021-12-27 | 2022-03-22 | 南京邮电大学 | 一种风电机组叶片开裂故障预警方法和装置 |
| CN115982141A (zh) * | 2022-12-03 | 2023-04-18 | 哈尔滨工程大学 | 一种针对时序数据预测的特征优化方法 |
| CN116244600A (zh) * | 2023-03-17 | 2023-06-09 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种gis间歇性放电模式识别模型的构建方法、系统及设备 |
| CN116415491A (zh) * | 2023-03-17 | 2023-07-11 | 东风柳州汽车有限公司 | 车辆排放预测方法、装置、设备以及存储介质 |
-
2023
- 2023-08-15 CN CN202311025467.7A patent/CN117054104B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060059112A1 (en) * | 2004-08-25 | 2006-03-16 | Jie Cheng | Machine learning with robust estimation, bayesian classification and model stacking |
| CN107545122A (zh) * | 2017-09-27 | 2018-01-05 | 重庆长安汽车股份有限公司 | 一种基于神经网络的车辆气体排放物的模拟仿真系统 |
| CN108319739A (zh) * | 2017-10-27 | 2018-07-24 | 宜春学院 | 一种混沌rbf神经网络汽油机进气流量预测方法 |
| CN112231980A (zh) * | 2020-10-19 | 2021-01-15 | 西安建筑科技大学 | 一种发动机寿命预测方法、存储介质及计算设备 |
| CN113554153A (zh) * | 2021-07-23 | 2021-10-26 | 潍柴动力股份有限公司 | 氮氧化物排放量预测方法、装置、计算机设备及介质 |
| CN114215706A (zh) * | 2021-12-27 | 2022-03-22 | 南京邮电大学 | 一种风电机组叶片开裂故障预警方法和装置 |
| CN115982141A (zh) * | 2022-12-03 | 2023-04-18 | 哈尔滨工程大学 | 一种针对时序数据预测的特征优化方法 |
| CN116244600A (zh) * | 2023-03-17 | 2023-06-09 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种gis间歇性放电模式识别模型的构建方法、系统及设备 |
| CN116415491A (zh) * | 2023-03-17 | 2023-07-11 | 东风柳州汽车有限公司 | 车辆排放预测方法、装置、设备以及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117054104B (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ma et al. | Discriminative deep belief networks with ant colony optimization for health status assessment of machine | |
| Martínez-Martínez et al. | An Artificial Neural Network based expert system fitted with Genetic Algorithms for detecting the status of several rotary components in agro-industrial machines using a single vibration signal | |
| US20050273296A1 (en) | Neural network model for electric submersible pump system | |
| US20220108185A1 (en) | Inverse and forward modeling machine learning-based generative design | |
| CN112765890B (zh) | 基于动态域适应网络的多工况旋转机械剩余寿命预测方法 | |
| CN112116002A (zh) | 一种检测模型的确定方法、验证方法和装置 | |
| CN113723007A (zh) | 基于DRSN和麻雀搜索优化BiLSTM的机械设备剩余寿命预测方法 | |
| CN111144552A (zh) | 一种粮食品质多指标预测方法及装置 | |
| Kourd et al. | Fault diagnosis based on neural networks and decision trees: application to DAMADICS | |
| CN110334383A (zh) | 基于ga和l-m组合优化的燃气轮机故障诊断专家系统方法 | |
| CN111079348B (zh) | 一种缓变信号检测方法和装置 | |
| CN112393934A (zh) | 基于稀疏自编码与极限学习机的风电机组故障诊断方法 | |
| CN115204463A (zh) | 一种基于多注意力机制的剩余使用寿命不确定性预测方法 | |
| CN114692507A (zh) | 基于堆叠泊松自编码器网络的计数数据软测量建模方法 | |
| CN117054104B (zh) | 一种摩托车发动机性能测试平台及系统 | |
| CN108428012B (zh) | 一种优化神经网络的风机噪音预测方法 | |
| CN111400964B (zh) | 一种故障发生时间预测方法及装置 | |
| CN116739100A (zh) | 量子神经网络的漏洞检测方法及自动驾驶漏洞检测方法 | |
| Ibrahem et al. | An ensemble of recurrent neural networks for real time performance modelling of three-spool aero-derivative gas turbine engine | |
| CN112416913B (zh) | 一种基于gwo-bp算法的飞机燃油系统状态缺失值补充方法 | |
| CN113887571A (zh) | 改进svr算法的电子设备故障预测方法 | |
| Cai et al. | A novel fault diagnosis method for denoising autoencoder assisted by digital twin | |
| Arias Chao | Combining deep learning and physics-based performance models for diagnostics and prognostics | |
| CN113051809A (zh) | 一种基于改进受限玻尔兹曼机的虚拟健康因子构建方法 | |
| CN112560252A (zh) | 一种航空发动机剩余寿命预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |