CN116558833A - 一种汽车发动机动态预测监测*** - Google Patents

一种汽车发动机动态预测监测*** Download PDF

Info

Publication number
CN116558833A
CN116558833A CN202310511563.6A CN202310511563A CN116558833A CN 116558833 A CN116558833 A CN 116558833A CN 202310511563 A CN202310511563 A CN 202310511563A CN 116558833 A CN116558833 A CN 116558833A
Authority
CN
China
Prior art keywords
data
module
engine
unit
real
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
CN202310511563.6A
Other languages
English (en)
Inventor
杨帅虎
杨磊
刘洋
张义禄
成凯
覃伟杰
朱洪南
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.)
Guangxi Academy of Sciences
Original Assignee
Guangxi Academy of Sciences
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 Guangxi Academy of Sciences filed Critical Guangxi Academy of Sciences
Priority to CN202310511563.6A priority Critical patent/CN116558833A/zh
Publication of CN116558833A publication Critical patent/CN116558833A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种汽车发动机动态预测监测***，包括：数据采集模块、数据预处理模块、预测模块、监测模块；数据采集模块用于获取历史数据、运行标准数据，运行实测数据；数据预处理模块用于对采集的数据进行处理，划分为不同数据集，并构建对应的数据库；预测模块用于根据卷积神经网络与采集的数据预测是否可能发生故障。监测模块判断发动机运作是否正常；显示模块用于显示发动机各部分运行数据，对判断为异常的数据进行标记。本发明根据发动机工况对获取的运行标准数据与运行实测数据进行划分，并构建对应的对比数据库，只需与对应工况下的数据对比即可快速判断是否发生故障以及对应的故障类型。

Description

一种汽车发动机动态预测监测***
技术领域
本发明属于发动机状态监测领域，特别是涉及一种汽车发动机动态预测监测***。
背景技术
人们在驾驶汽车的过程中，往往不能够第一时间获知所驾汽车发动机的真实工作状况，致使汽车的发动机在发生故障初期时，驾驶者未对故障进行及时应对好排除，进而使故障的危害扩大，容易导致汽车部件损坏或者引发交通事故。
汽车发动机是一个十分复杂的机、电、液***，由两大机构(曲柄连杆机构、配气机构)和五大***(燃料供给系、冷却系、润滑系、点火系、启动系)组成，其故障也是种类繁多，故障现象与原因之间的关系也是纷繁复杂，可能是一对多、多对一或者多对多的关系。不同的故障以不同的方式表现出来。快速准确地判断运行是否正常保证驾驶及时排除风险是十分必要的，因此，提出一种汽车发动机动态预测监测***。
发明内容
本发明的目的是提供一种汽车发动机动态预测监测***，以解决上述现有技术存在的问题。
为实现上述目的，本发明提供了一种汽车发动机动态预测监测***，包括：
数据采集模块、数据预处理模块、预测模块、监测模块、显示模块；
所述数据采集模块用于获取历史数据、运行标准数据，运行实测数据；
所述数据预处理模块用于对采集的数据进行处理，划分为不同数据集，并构建对应的数据库；
所述预测模块用于根据卷积神经网络与采集的数据预测是否可能发生故障；若是，则通过监测模块判断故障类型。
所述监测模块基于所述运行标准数据与所述运行实测数据，结合实时获取的待测发动机数据，判断发动机运作是否正常；
所述显示模块用于显示发动机各部分运行数据，对判断为异常的数据进行标记；
所述数据采集模块与数据预处理模块连接，所述数据预处理模块分别与所述预测模块、所述监测模块连接，所述显示模块与所述监测模块连接，所述预测模块与所述监测模块连接。
可选的，数据采集模块包括第一采集单元、第二采集单元；
所述第一采集单元用于通过多个传感器获取发动机运行标准数据与运行实测数据，其中，运行实测数据为发动机不同故障状态下的测量数据，多个传感器包括振动传感器、温度传感器、压力传感器和电池数据采集器；
所述第二采集单元用于获取发动机历史数据。
可选的，所述数据预处理模块包括数据接收单元、第一处理单元、第二处理单元；
所述数据接收单元与所述数据采集模块相连，获取运行标准数据、运行实测数据、历史数据；
所述第一处理单元用于针对所述运行实测数据进行编码重构后计算各个传感器获取数据波动方差，将波动方差超出预设范围的数据进行剔除，获得有效实测数据；
所述第二处理单元用于根据发动机运行工况类型将所述标准数据、所述有效实测数据划分为不同工况下的数据集，并针对标准数据与有效实测数据分别构成对比数据库；将历史数据根据时间序列划分为不同阶段的数据集。
可选的，所述监测模块包括数据获取单元、数据处理单元、状态判定单元；
所述数据获取单元用于获取发动机的多个传感器的实时测量数据，获取对比数据库中的数据；
所述数据处理单元用于分别对所述实时测量数据与对比数据库中的数据进行特征提取；
所述状态判定单元用于根据特征提取结果判断发送机工作状态，若工作状态正常，则持续监测，若工作状态异常，则发出信号提示故障位置。
可选的，所述数据处理单元中对对比数据库的数据进行特征，分为标准对比数据库，实测对比数据库，特征提取获得标准特征、故障特征。
可选的，所述状态判定单元包括第一判定单元、第二判定单元；
所述第一判定单元用于将所述标准特征与实时测量数据特征进行匹配，若偏差值超过预设范围，则判定发动机工作异常，若未超出预设范围，则将实时测量数据进行存储；
所述第二判定单元用于将实时测量数据特征与故障特征进行对比，若与某一故障特征相匹配，则判定为该故障，并根据运行工况将实时测量数据存入对应的对比数据库。
可选的，所述预测模块包括构建单元、训练单元、判断单元；
所述构建单元用于构建卷积神经网络模型；
所述训练单元采用所述历史数据中的运行数据划分为训练集与测试集；将训练集输入所述卷积神经网络模型进行训练，直至损失函数收敛结束训练，获得最优模型；
所述判断单元将所述测试集输入最优模型，获得预测概率，后将实时测量数据输入至最优模型进行预测，判定是否可能发生故障，若是，则反馈至监测模块，通过所述监测模块判断故障类型，并调整数据获取频率。
本发明的技术效果为：
本发明根据发动机工况对获取的运行标准数据与运行实测数据进行划分，并构建对应的对比数据库，只需与对应工况下的数据对比即可快速判断是否发生故障以及对应的故障类型，通过历史数据训练卷积神经网络，预测发生故障的可能性，可能发生故障区域数据通过监测模块进行状态判定，降低故障漏检的可能性，避免数据获取间隔内产生故障造成损失。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例中的***结构示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
实施例一
如图1所示，本实施例中提供一种汽车发动机动态预测监测***，包括：
数据采集模块、数据预处理模块、预测模块、监测模块、显示模块；
数据采集模块用于获取历史数据、运行标准数据，运行实测数据；
数据预处理模块用于对采集的数据进行处理，划分为不同数据集，并构建对应的数据库；
预测模块用于根据卷积神经网络与采集的数据预测是否可能发生故障；若是，则通过监测模块判断故障类型。
监测模块基于运行标准数据与运行实测数据，结合实时获取的待测发动机数据，判断发动机运作是否正常；
显示模块用于显示发动机各部分运行数据，对判断为异常的数据进行标记；
数据采集模块与数据预处理模块连接，数据预处理模块分别与预测模块、监测模块连接，显示模块与监测模块连接，预测模块与监测模块连接。
在一些实施例中，数据采集模块包括第一采集单元、第二采集单元；
第一采集单元用于通过多个传感器获取发动机运行标准数据与运行实测数据，其中，运行实测数据为发动机不同故障状态下的测量数据，多个传感器包括振动传感器、温度传感器、压力传感器和电池数据采集器；
第二采集单元用于获取发动机历史数据。
在一些实施例中，数据预处理模块包括数据接收单元、第一处理单元、第二处理单元；
数据接收单元与数据采集模块相连，获取运行标准数据、运行实测数据、历史数据；
第一处理单元用于针对运行实测数据进行编码重构后计算各个传感器获取数据波动方差，将波动方差超出预设范围的数据进行剔除，获得有效实测数据；
第二处理单元用于根据发动机运行工况类型将标准数据、有效实测数据划分为不同工况下的数据集，并针对标准数据与有效实测数据分别构成对比数据库；将历史数据根据时间序列划分为不同阶段的数据集。
在一些实施例中，监测模块包括数据获取单元、数据处理单元、状态判定单元；
数据获取单元用于获取发动机的多个传感器的实时测量数据，获取对比数据库中的数据；
数据处理单元用于分别对实时测量数据与对比数据库中的数据进行特征提取；
状态判定单元用于根据特征提取结果判断发送机工作状态，若工作状态正常，则持续监测，若工作状态异常，则发出信号提示故障位置。
在一些实施例中，数据处理单元中对对比数据库的数据进行特征，分为标准对比数据库，实测对比数据库，特征提取获得标准特征、故障特征。
在一些实施例中，状态判定单元包括第一判定单元、第二判定单元；
第一判定单元用于将标准特征与实时测量数据特征进行匹配，若偏差值超过预设范围，则判定发动机工作异常，若未超出预设范围，则将实时测量数据进行存储；
第二判定单元用于将实时测量数据特征与故障特征进行对比，若与某一故障特征相匹配，则判定为该故障，并根据运行工况将实时测量数据存入对应的对比数据库。
在一些实施例中，预测模块包括构建单元、训练单元、判断单元；
构建单元用于构建卷积神经网络模型；
训练单元采用历史数据中的运行数据划分为训练集与测试集；将训练集输入卷积神经网络模型进行训练，直至损失函数收敛结束训练，获得最优模型；
判断单元将测试集输入最优模型，获得预测概率，后将实时测量数据输入至最优模型进行预测，判定是否可能发生故障，若是，则反馈至监测模块，通过所述监测模块判断故障类型，并调整数据获取频率。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种汽车发动机动态预测监测***，其特征在于，包括：
数据采集模块、数据预处理模块、预测模块、监测模块、显示模块；
所述数据采集模块用于获取历史数据、运行标准数据，运行实测数据；
所述数据预处理模块用于对采集的数据进行处理，划分为不同数据集，并构建对应的数据库；
所述预测模块用于根据卷积神经网络与采集的数据预测是否可能发生故障；若是，则通过监测模块判断故障类型；
所述监测模块基于所述运行标准数据与所述运行实测数据，结合实时获取的待测发动机数据，判断发动机运作是否正常；
所述显示模块用于显示发动机各部分运行数据，对判断为异常的数据进行标记；
所述数据采集模块与数据预处理模块连接，所述数据预处理模块分别与所述预测模块、所述监测模块连接，所述显示模块与所述监测模块连接，所述预测模块与所述监测模块连接。
2.根据权利要求1所述的汽车发动机动态预测监测***，其特征在于，
数据采集模块包括第一采集单元、第二采集单元；
所述第一采集单元用于通过多个传感器获取发动机运行标准数据与运行实测数据，其中，运行实测数据为发动机不同故障状态下的测量数据，多个传感器包括振动传感器、温度传感器、压力传感器和电池数据采集器；
所述第二采集单元用于获取发动机历史数据。
3.根据权利要求1所述的汽车发动机动态预测监测***，其特征在于，
所述数据预处理模块包括数据接收单元、第一处理单元、第二处理单元；
所述数据接收单元与所述数据采集模块相连，获取运行标准数据、运行实测数据、历史数据；
所述第一处理单元用于针对所述运行实测数据进行编码重构后计算各个传感器获取数据波动方差，将波动方差超出预设范围的数据进行剔除，获得有效实测数据；
所述第二处理单元用于根据发动机运行工况类型将所述标准数据、所述有效实测数据划分为不同工况下的数据集，并针对标准数据与有效实测数据分别构成对比数据库；将历史数据根据时间序列划分为不同阶段的数据集。
4.根据权利要求1所述的汽车发动机动态预测监测***，其特征在于，
所述监测模块包括数据获取单元、数据处理单元、状态判定单元；
所述数据获取单元用于获取发动机的多个传感器的实时测量数据，获取对比数据库中的数据；
所述数据处理单元用于分别对所述实时测量数据与对比数据库中的数据进行特征提取；
所述状态判定单元用于根据特征提取结果判断发送机工作状态，若工作状态正常，则持续监测，若工作状态异常，则发出信号提示故障位置。
5.根据权利要求4所述的汽车发动机动态预测监测***，其特征在于，
所述数据处理单元中对对比数据库的数据进行特征，分为标准对比数据库，实测对比数据库，特征提取获得标准特征、故障特征。
6.根据权利要求5所述的汽车发动机动态预测监测***，其特征在于，
所述状态判定单元包括第一判定单元、第二判定单元；
所述第一判定单元用于将所述标准特征与实时测量数据特征进行匹配，若偏差值超过预设范围，则判定发动机工作异常，若未超出预设范围，则将实时测量数据进行存储；
所述第二判定单元用于将实时测量数据特征与故障特征进行对比，若与某一故障特征相匹配，则判定为该故障，并根据运行工况将实时测量数据存入对应的对比数据库。
7.根据权利要求3所述的汽车发动机动态预测监测***，其特征在于，
所述预测模块包括构建单元、训练单元、判断单元；
所述构建单元用于构建卷积神经网络模型；
所述训练单元采用所述历史数据中的运行数据划分为训练集与测试集；将训练集输入所述卷积神经网络模型进行训练，直至损失函数收敛结束训练，获得最优模型；
所述判断单元将所述测试集输入最优模型，获得预测概率，后将实时测量数据输入至最优模型进行预测，判定是否可能发生故障，若是，则反馈至监测模块，通过所述监测模块判断故障类型，并调整数据获取频率。
CN202310511563.6A 2023-05-08 2023-05-08 一种汽车发动机动态预测监测*** Pending CN116558833A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310511563.6A CN116558833A (zh) 2023-05-08 2023-05-08 一种汽车发动机动态预测监测***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310511563.6A CN116558833A (zh) 2023-05-08 2023-05-08 一种汽车发动机动态预测监测***

Publications (1)

Publication Number Publication Date
CN116558833A true CN116558833A (zh) 2023-08-08

Family

ID=87485592

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310511563.6A Pending CN116558833A (zh) 2023-05-08 2023-05-08 一种汽车发动机动态预测监测***

Country Status (1)

Country Link
CN (1) CN116558833A (zh)

Similar Documents

Publication Publication Date Title
EP3176663B1 (en) Fault diagnosis method for vehicle
US6950782B2 (en) Model-based intelligent diagnostic agent
CN110085006B (zh) 船舶监测方法、装置、***和存储介质
US6748341B2 (en) Method and device for machinery diagnostics and prognostics
KR20190107080A (ko) 클라우드 기반 차량 고장 진단 방법, 장치 및 시스템
CN112924205B (zh) 作业机械故障诊断方法、装置、作业机械和电子设备
CN103792087A (zh) 并联试车故障监测与诊断方法
CN110085005B (zh) 船舶发电机监测方法、装置、***和存储介质
EP3865963A1 (en) Method and device for analyzing vehicle failure
CN111506048B (zh) 车辆故障预警方法及相关设备
CN113232462B (zh) 胎压管理方法、装置及计算机存储介质
CN105658937A (zh) 用于监测传感器的运行的方法
CN109507992B (zh) 一种机车制动***部件的故障预测方法、装置及设备
CN113173104A (zh) 一种新能源车辆动力电池预警方法及***
CN112326264A (zh) 一种远程操控工程车辆的运行状态监测及故障诊断***、方法
US20110153035A1 (en) Sensor Failure Detection System And Method
CN112124229A (zh) 一种应急抢险泵车远程实时故障诊断方法
CN114353869B (zh) 动设备在线监测方法、***及可读存储介质
CN114738132A (zh) 基于实船数据的增压器转速传感器故障诊断方法及***
CN116558833A (zh) 一种汽车发动机动态预测监测***
CN105138755A (zh) 一种液体火箭发动机试验台故障响应生成器的设计方法
CN115788771A (zh) 一种基于物联网技术的风力发电***的智能运维管理***
CN114488994A (zh) 一种提升车辆故障诊断鲁棒性的优化方法及装置
CN115167258A (zh) 一种发动机智能运维管控***及方法
CN114858480A (zh) 应用于车辆中的部件故障预警方法、装置、设备及介质

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