柴油发动机空气系统故障检测方法
阅读说明：本技术 柴油发动机空气系统故障检测方法 (Diesel engine air system fault detection method ) 是由 王彦岩 朱东杰 张瑞天 任宁 刘斌 张正兴 李金� 孟祥开 于 2021-09-01 设计创作，主要内容包括：柴油发动机空气系统故障检测方法,属于汽车故障检测领域。本发明解决了现有技术中柴油发动机故障检测模型检测精度低、检测速度慢的问题。本发明先利用1号健康数据集对初始发动机自编码器故障模型进行训练,获得初步训练完成的发动机自编码器故障模型；再利用2号健康数据集和一个故障数据集对初步训练完成的发动机自编码器故障模型进行验证,确定初步训练完成的发动机自编码器故障模型的重构误差阈值L,从而完成对发动机自编码器故障模型的构建；最后利用构建的故障检测模型实现对故障进行检测。本发明主要用于对柴油发动机的空气系统进行故障检测。(A fault detection method for an air system of a diesel engine belongs to the field of automobile fault detection. The invention solves the problems of low detection precision and low detection speed of the diesel engine fault detection model in the prior art. Firstly, training an initial engine self-encoder fault model by using a No. 1 health data set to obtain an engine self-encoder fault model after initial training; verifying the engine self-encoder fault model after the initial training by utilizing the No. 2 health data set and one fault data set, and determining a reconstruction error threshold value L of the engine self-encoder fault model after the initial training so as to complete the construction of the engine self-encoder fault model; and finally, detecting the fault by using the constructed fault detection model. The method is mainly used for fault detection of the air system of the diesel engine.)
技术领域
本发明属于汽车故障检测领域。
背景技术
随着柴油机技术的不断发展以及法规对柴油机排放要求的提高，柴油机空气系统结构日益复杂，在最新的国六柴油机空气系统中，包含了涡轮增压器系统、EGR废气再循环系统、DOC氧化催化器等结构，此外还增加了诸如电子节流阀等部件对后处理部分进行优化。为了对各个部件进行控制和全面的状态监测，柴油机的电控系统也更为精细，传感器和执行器的数量大大增加。
目前国六柴油发动机空气系统可监测参数已经达到80余种，包括进气流量及压力、排气流量、EGR支路流量及压力、烟度限制lambda值等。作为运载装置上的核心部件，柴油机的复杂化是科技发展的必然结果，也是保障其性能与时俱进的必要措施。但同时，发动机空气系统复杂的结构使得柴油机维修与保养费时费力，精确模型的建立愈加困难，故障检查与维修的流程冗杂导致检测速度慢，传统方法难以在复杂设备上成功应用，由此提高了柴油机的使用成本。尤其对于柴油机这类商用发动机来说，若能及时发现柴油机是否故障，提前做出预警，能够避免后续更为复杂故障的发生，因此，针对现有技术中所构建的柴油发动机故障检测模型检测精度低、检测速度慢的问题亟需解决。
发明内容
本发明目的是为了解决现有技术中柴油发动机故障检测模型检测精度低、检测速度慢的问题，本发明提供了一种柴油发动机空气系统故障检测方法。
柴油发动机空气系统故障检测方法，包括如下步骤：
S1、利用1号健康数据集、2号健康数据集和故障数据集，构建发动机自编码器故障模型；
S2、利用所构建的发动机自编码器故障模型对从发动机空气系统中采集的实时运行数据进行故障检测，从而确定发动机空气系统是否故障。
优选的是，步骤S1中，利用1号健康数据集、2号健康数据集和故障数据集，构建发动机自编码器故障模型的具体过程为：
S11、利用1号健康数据集对初始发动机自编码器故障模型进行训练，获得初步训练完成的发动机自编码器故障模型；其中，初始发动机自编码器故障模型采用神经元权重值随机的多层神经网络实现；
S12、利用2号健康数据集和一个故障数据集对初步训练完成的发动机自编码器故障模型进行验证，确定初步训练完成的发动机自编码器故障模型的重构误差阈值L，从而完成对发动机自编码器故障模型的构建，其中，所确定的初步训练完成的发动机自编码器故障模型的重构误差阈值L，还作为初步训练完成的发动机自编码器故障模型的JS散度阈值。
优选的是，步骤S12中，利用2号健康数据集和一个故障数据集对初步训练完成的发动机自编码器故障模型进行验证，确定初步训练完成的发动机自编码器故障模型的重构误差阈值的具体过程为：
S121、预设重构误差阈值的初始值；
S122、在当前预设重构误差阈值条件下，
首先、将2号健康数据集中的每个健康样本送至初步训练完成的发动机自编码器故障模型，利用初步训练完成的发动机自编码器故障模型对2号健康数据集中的每个健康样本进行重构，获得重构健康样本，再根据2号健康数据集中的每个健康样本及该健康样本所对应的重构健康样本，获得2号健康数据集中的每个健康样本所对应的健康数据重构误差；
再将故障数据集中的每个故障样本送至初步训练完成的发动机自编码器故障模型，利用初步训练完成的发动机自编码器故障模型对故障数据集中的每个故障样本进行重构，获得重构故障样本，再根据故障数据集中的每个故障样本及该故障样本所对应的重构故障样本，获得故障数据集中的每个故障样本所对应的故障数据重构误差；
最后，根据所有健康数据重构误差，确定当前预设重构误差阈值条件下所对应的误检率；
根据所有故障数据重构误差，确定当前预设重构误差阈值条件下所对应的检出率；
S123、对当前预设重构误差阈值向递减方向进行依次进行N次调整，每次递减调整步长为h，每次对当前预设重构误差阈值调整后，执行步骤S121，从而获得每个预设重构误差阈值条件下所对应的检出率和误检率；
S124、根据所有预设重构误差阈值所对应的检出率和误检率，获得检出率相对增长率曲线和误检率相对增长率曲线；
S125、将检出率相对增长曲线和误检率相对增长曲线间的交点所对应的预设重构误差阈值，作为初步训练完成的发动机自编码器故障模型的重构误差阈值L。
优选的是，步骤S122中，根据所有健康数据重构误差，确定当前预设重构误差阈值条件下所对应的误检率的实现方式包括：
S122-11、将当前预设重构误差阈值条件下的每个健康数据重构误差分别与当前预设重构误差阈值比较，当当前健康数据重构误差小于当前预设重构误差阈值时，则判定初步训练完成的发动机自编码器故障模型重构过程正确，反之，当当前健康数据重构误差大于或等于当前预设重构误差阈值时，则判定初步训练完成的发动机自编码器故障模型重构过程错误，并统计初步训练完成的发动机自编码器故障模型重构过程正确的个数Q1和初步训练完成的发动机自编码器故障模型重构过程错误的个数Q2；其中Q＝Q1+Q2；
Q为当前预设重构误差阈值条件下的所有健康数据重构误差的总个数；
S122-12、根据Q2和Q，获得的当前预设重构误差阈值条件下所对应的误检率
优选的是，步骤S122中、根据所有故障数据重构误差，确定当前预设重构误差阈值条件下所对应的检出率的实现方式包括：
S122-21、将当前预设重构误差阈值条件下的每个故障数据重构误差分别与当前预设重构误差阈值比较，当当前故障数据重构误差大于当前预设重构误差阈值时，则判定初步训练完成的发动机自编码器故障模型重构过程正确，反之，当当前故障数据重构误差小于或等于当前预设重构误差阈值时，则判定初步训练完成的发动机自编码器故障模型重构过程错误，并统计初步训练完成的发动机自编码器故障模型重构过程正确的个数P1和初步训练完成的发动机自编码器故障模型重构过程错误的个数P2；其中P＝P1+P2；
P为当前预设重构误差阈值条件下的所有故障数据重构误差的总个数；
S122-22、根据P1和P，获得的当前预设重构误差阈值条件下所对应的检出率
优选的是，步骤S124中、根据所有预设重构误差阈值所对应的检出率和误检率，获得检出率相对增长率曲线和误检率相对增长率曲线的实现方式包括：
S1241、根据所有预设重构误差阈值所对应的检出率和误检率，获得RiP和RiQ；其中，
RiP为第i次调整后的预设重构误差阈值所对应的检出率的相对增长率；i为整数；
RiQ为第i次调整后的预设重构误差阈值所对应的误检率的相对增长率；
S1242、将第i次调整后的预设重构误差阈值作为横坐标，将该第i次调整后的预设重构误差阈值所对应的检出率的相对增长率RiP作为纵坐标，获得一个与检出率相关的坐标点，该与检出率相关的坐标点作为检出率相对增长率曲线上的一个点；
将第i次调整后的预设重构误差阈值作为横坐标，将该第i次调整后的预设重构误差阈值所对应的误检率的相对增长率RiQ作为纵坐标，获得一个与误检率相关的坐标点，该与误检率相关的坐标点作为误检率相对增长率曲线上的一个点；
S1243、在同一坐标系下，将所有与检出率相关的坐标点进行连线，绘制出检出率相对增长率曲线，将所有与误检率相关的坐标点进行连线，绘制出误检率相对增长率曲线。
优选的是，S122中、根据2号健康数据集中的每个健康样本及该健康样本所对应的重构健康样本，获得2号健康数据集中的每个健康样本所对应的健康数据重构误差的实现方式为：
对2号健康数据集中的每个健康样本及该健康样本所对应的重构健康样本进行JS散度运算，获得健康数据JS散度，该健康数据JS散度作为健康数据重构误差；
S122中、根据故障数据集中的每个故障样本及该故障样本所对应的重构故障样本，获得故障数据集中的每个故障样本所对应的故障数据重构误差的实现方式为：
对故障数据集中的每个故障样本及该故障样本所对应的重构故障样本进行JS散度运算，获得故障数据JS散度，该故障数据JS散度作为故障数据重构误差。
优选的是，S11中，初始发动机自编码器故障模型包括7层，从左至右依次为输入层、编码层、1号中间层、2号中间层、3号中间层、解码层和输出层；
输入层包括12个神经元节点，用于将接收的数据映射至编码层；
编码层包括13个神经元节点，用于将用于提取数据的特征，并将提取的数据特征编码后映射至1号中间层；
1号中间层包括5个神经元节点，用于对编码后的数据特征进行第一次量化，并将第一次量化后的数据特征映射至2号中间层；
2号中间层包括2个神经元节点，用于对第一次量化后的数据特征进行第二次量化，并将第二次量化后的数据特征映射至3号中间层；
3号中间层包括5个神经元节点，用于对第二次量化后的数据特征进行第三次量化，获得第三次量化后的数据特征；
解码层包括13个神经元节点，用于解码3号中间层上的第三次量化后的数据特征，获得解码后的数据特征；
输出层包括12个神经元节点，用于对解码层上解码后的数据特征进行重构，并输出。
优选的是，S2中、利用所构建的发动机自编码器故障模型对从发动机空气系统中采集的实时运行数据进行故障检测，从而确定发动机空气系统是否故障的实现方式包括：
S21、将从发动机空气系统中采集的实时运行数据送至所构建的发动机自编码器故障模型中，发动机自编码器故障模型对接收的实时运行数据进行重构，获得重构后的实时运行数据；
S22、对发动机自编码器故障模型所接收的实时运行数据和重构后的实时运行数据进行JS散度运算，获得实时运行数据JS散度，并将该实时运行数据JS散度作为实时运行数据重构误差；
S23、通过比较实时运行数据重构误差与初步训练完成的发动机自编码器故障模型的重构误差阈值L的大小，对数据进行分类，从而确定发动机空气系统是否故障，具体为：
判断实时运行数据重构误差是否大于初步训练完成的发动机自编码器故障模型的重构误差阈值L，结果为是，则判定实时运行数据为故障数据，发动机空气系统故障；结果为否，则判定实时运行数据为健康数据，发动机空气系统正常。
优选的是，1号健康数据集中包括多个健康样本、2号健康数据集中包括多个健康样本、以及故障数据集中包括多个故障样本；
每个健康样本中包括12个参数，且每个健康样本的标签均为健康；
每个故障样本中包括12个参数，且每个故障样本的标签均为故障；
其中，健康样本和故障样本中所包含的12个参数均为歧管进气流量值、EGR支路流量值、排气流量值、废气放气阀压力反馈值、节流阀阀门开度反馈值、基于新鲜空气或EGR流量传感器的Lambda值、进气压力输出值、EGR位置输出值、EGR压力输出值、最终喷油量、发动机转速和发动机输出扭矩。
本发明带来的有益效果是，本发明基于历史数据建立故障检测模型，模型自动提取健康数据特征，并学习各故障与其对应的故障表现之间的映射关系，在故障检测时只需将实时运行数据输入模型，模型输出当前柴油机是否故障，本发明方法可以有效的缩短维修人员定位故障耗时，本发明构建的发动机自编码器故障模型精度高，在构建的过程中先对初始发动机自编码器故障模型进行训练，训练完成后确定该模型的误差阈值，以保证所构建模型的精度，保证其故障检测的准确率。
车辆实际运行过程中会积累大量的实车实时运行数据，其中蕴含着巨大的潜在价值，将实时运行数据发送至本发明所构建的发动机自编码器故障模型中，所构建的模型能直接对其所接收的实时运行数据，进行数据分类，实现对故障的检测；本发明通过对实时运行数据进行有效挖掘与分析、实现车辆的在线健康管理对车企及车辆使用者而言都具有重要的价值。
附图说明
图1是本发明所述柴油发动机空气系统故障检测方法的原理示意图；
图2是健康数据与故障数据JS散度对比图；
图3是不同预设重构误差阈值下的检出率与误检率的相对增长率图谱。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
本实施方式所述的柴油发动机空气系统故障检测方法，包括如下步骤：
S1、利用1号健康数据集、2号健康数据集和故障数据集，构建发动机自编码器故障模型；
S2、利用所构建的发动机自编码器故障模型对从发动机空气系统中采集的实时运行数据进行故障检测，从而确定发动机空气系统是否故障。
本实施方式中，数据准备时，提取健康数据和故障数据，并利用健康数据获得两个健康数据集，其分分别为1号健康数据集、2号健康数据集，通过两个健康数据集和一个故障数据集，构建发动机自编码器故障模型，模型构建的流程简单，其构建的精度高。
进一步的，参见图1说明本实施方式，本实施方式所述的步骤S1中，利用1号健康数据集、2号健康数据集和故障数据集，构建发动机自编码器故障模型的具体过程为：
S11、利用1号健康数据集对初始发动机自编码器故障模型进行训练，获得初步训练完成的发动机自编码器故障模型；其中，初始发动机自编码器故障模型采用神经元权重值随机的多层神经网络实现；
S12、利用2号健康数据集和一个故障数据集对初步训练完成的发动机自编码器故障模型进行验证，确定初步训练完成的发动机自编码器故障模型的重构误差阈值L，从而完成对发动机自编码器故障模型的构建，其中，所确定的初步训练完成的发动机自编码器故障模型的重构误差阈值L，还作为初步训练完成的发动机自编码器故障模型的JS散度阈值。
本实施方式中，对发动机自编码器故障模型的构建的过程中，先对初始发动机自编码器故障模型进行初步的训练，为保证训练后的模型的精度，再确定故障模型的重构误差阈值L，从而进一步保证所构建的模型精度。
更进一步的，步骤S12中，利用2号健康数据集和一个故障数据集对初步训练完成的发动机自编码器故障模型进行验证，确定初步训练完成的发动机自编码器故障模型的重构误差阈值的具体过程为：
S121、预设重构误差阈值的初始值；
S122、在当前预设重构误差阈值条件下，
首先、将2号健康数据集中的每个健康样本送至初步训练完成的发动机自编码器故障模型，利用初步训练完成的发动机自编码器故障模型对2号健康数据集中的每个健康样本进行重构，获得重构健康样本，再根据2号健康数据集中的每个健康样本及该健康样本所对应的重构健康样本，获得2号健康数据集中的每个健康样本所对应的健康数据重构误差；
再将故障数据集中的每个故障样本送至初步训练完成的发动机自编码器故障模型，利用初步训练完成的发动机自编码器故障模型对故障数据集中的每个故障样本进行重构，获得重构故障样本，再根据故障数据集中的每个故障样本及该故障样本所对应的重构故障样本，获得故障数据集中的每个故障样本所对应的故障数据重构误差；
最后，根据所有健康数据重构误差，确定当前预设重构误差阈值条件下所对应的误检率；
根据所有故障数据重构误差，确定当前预设重构误差阈值条件下所对应的检出率；
S123、对当前预设重构误差阈值向递减方向进行依次进行N次调整，每次递减调整步长为h，每次对当前预设重构误差阈值调整后，执行步骤S121，从而获得每个预设重构误差阈值条件下所对应的检出率和误检率；
S124、根据所有预设重构误差阈值所对应的检出率和误检率，获得检出率相对增长率曲线和误检率相对增长率曲线；
S125、将检出率相对增长曲线和误检率相对增长曲线间的交点所对应的预设重构误差阈值，作为初步训练完成的发动机自编码器故障模型的重构误差阈值L。
本实施方式中，在确定重构误差阈值L的过程中，将未参与模型训练的2号健康数据集和故障数据集和故障数据集，输入训练好的故障模型中，得到2号健康数据集的数据重构结果和故障数据集的数据重构结果，计算健康数据和故障数据的重构误差，再基于重构误差大小划分健康数据和故障数据，划定初步训练完成的发动机自编码器故障模型的重构误差阈值L。
更进一步的，步骤S122中，根据所有健康数据重构误差，确定当前预设重构误差阈值条件下所对应的误检率的实现方式包括：
S122-11、将当前预设重构误差阈值条件下的每个健康数据重构误差分别与当前预设重构误差阈值比较，当当前健康数据重构误差小于当前预设重构误差阈值时，则判定初步训练完成的发动机自编码器故障模型重构过程正确，反之，当当前健康数据重构误差大于或等于当前预设重构误差阈值时，则判定初步训练完成的发动机自编码器故障模型重构过程错误，并统计初步训练完成的发动机自编码器故障模型重构过程正确的个数Q1和初步训练完成的发动机自编码器故障模型重构过程错误的个数Q2；其中Q＝Q1+Q2；
Q为当前预设重构误差阈值条件下的所有健康数据重构误差的总个数；
S122-12、根据Q2和Q，获得的当前预设重构误差阈值条件下所对应的误检率
更进一步的，步骤S122中、根据所有故障数据重构误差，确定当前预设重构误差阈值条件下所对应的检出率的实现方式包括：
S122-21、将当前预设重构误差阈值条件下的每个故障数据重构误差分别与当前预设重构误差阈值比较，当当前故障数据重构误差大于当前预设重构误差阈值时，则判定初步训练完成的发动机自编码器故障模型重构过程正确，反之，当当前故障数据重构误差小于或等于当前预设重构误差阈值时，则判定初步训练完成的发动机自编码器故障模型重构过程错误，并统计初步训练完成的发动机自编码器故障模型重构过程正确的个数P1和初步训练完成的发动机自编码器故障模型重构过程错误的个数P2；其中P＝P1+P2；
P为当前预设重构误差阈值条件下的所有故障数据重构误差的总个数；
S122-22、根据P1和P，获得的当前预设重构误差阈值条件下所对应的检出率
更进一步的，具体参见图3，步骤S124中、根据所有预设重构误差阈值所对应的检出率和误检率，获得检出率相对增长率曲线和误检率相对增长率曲线的实现方式包括：
S1241、根据所有预设重构误差阈值所对应的检出率和误检率，获得RiP和RiQ；其中，
RiP为第i次调整后的预设重构误差阈值所对应的检出率的相对增长率；i为整数；
RiQ为第i次调整后的预设重构误差阈值所对应的误检率的相对增长率；
S1242、将第i次调整后的预设重构误差阈值作为横坐标，将该第i次调整后的预设重构误差阈值所对应的检出率的相对增长率RiP作为纵坐标，获得一个与检出率相关的坐标点，该与检出率相关的坐标点作为检出率相对增长率曲线上的一个点；
将第i次调整后的预设重构误差阈值作为横坐标，将该第i次调整后的预设重构误差阈值所对应的误检率的相对增长率RiQ作为纵坐标，获得一个与误检率相关的坐标点，该与误检率相关的坐标点作为误检率相对增长率曲线上的一个点；
S1243、在同一坐标系下，将所有与检出率相关的坐标点进行连线，绘制出检出率相对增长率曲线，将所有与误检率相关的坐标点进行连线，绘制出误检率相对增长率曲线。
本优选实施方式中，根据每个预设重构误差阈值所对应的检出率的相对增长率和误检率的相对增长率在图谱上形成两个点，其中，将所有预设重构误差阈值所对应的检出率的相对增长率所在的点连线，获得检出率相对增长率曲线，将所有预设重构误差阈值分别所对应的误检率的相对增长率所在的点连线，获得误检率相对增长率曲线。
可以看出根据在尽可能提高故障检出率的同时，尽可能降低健康数据误检率的原则，通过计算某预设重构误差阈值的故障检出率和误检率的相对增长率，确定重构误差阈值L，也即JS散度阈值。从图3中，绘制出不同阈值下故障检出率与误检率的相对增长率曲线，图3可知当重构误差阈值L略小于4.7时，故障检出率和误检率的相对增长率相等，在该点之后，随着阈值的降低，误检率相对增长率的涨幅大于故障检出率增长涨幅，因此，图3中以4.7为JS散度阈值。
更进一步的，具体参见图2，S122中、根据2号健康数据集中的每个健康样本及该健康样本所对应的重构健康样本，获得2号健康数据集中的每个健康样本所对应的健康数据重构误差的实现方式为：
对2号健康数据集中的每个健康样本及该健康样本所对应的重构健康样本进行JS散度运算，获得健康数据JS散度，该健康数据JS散度作为健康数据重构误差；
S122中、根据故障数据集中的每个故障样本及该故障样本所对应的重构故障样本，获得故障数据集中的每个故障样本所对应的故障数据重构误差的实现方式为：
对故障数据集中的每个故障样本及该故障样本所对应的重构故障样本进行JS散度运算，获得故障数据JS散度，该故障数据JS散度作为故障数据重构误差。
从图2中可以看出，在相应的JS散度下，可将健康数据和故障数据，进行有效区分，从而实现对健康数据和故障数据的分类，有效检出故障。
更进一步的，S11中，初始发动机自编码器故障模型包括7层，从左至右依次为输入层、编码层、1号中间层、2号中间层、3号中间层、解码层和输出层；
输入层包括12个神经元节点，用于将接收的数据映射至编码层；
编码层包括13个神经元节点，用于将用于提取数据的特征，并将提取的数据特征编码后映射至1号中间层；
1号中间层包括5个神经元节点，用于对编码后的数据特征进行第一次量化，并将第一次量化后的数据特征映射至2号中间层；
2号中间层包括2个神经元节点，用于对第一次量化后的数据特征进行第二次量化，并将第二次量化后的数据特征映射至3号中间层；
3号中间层包括5个神经元节点，用于对第二次量化后的数据特征进行第三次量化，获得第三次量化后的数据特征；
解码层包括13个神经元节点，用于解码3号中间层上的第三次量化后的数据特征，获得解码后的数据特征；
输出层包括12个神经元节点，用于对解码层上解码后的数据特征进行重构，并输出。
更进一步的，S2中、利用所构建的发动机自编码器故障模型对从发动机空气系统中采集的实时运行数据进行故障检测，从而确定发动机空气系统是否故障的实现方式包括：
S21、将从发动机空气系统中采集的实时运行数据送至所构建的发动机自编码器故障模型中，发动机自编码器故障模型对接收的实时运行数据进行重构，获得重构后的实时运行数据；
S22、对发动机自编码器故障模型所接收的实时运行数据和重构后的实时运行数据进行JS散度运算，获得实时运行数据JS散度，并将该实时运行数据JS散度作为实时运行数据重构误差；
S23、通过比较实时运行数据重构误差与初步训练完成的发动机自编码器故障模型的重构误差阈值L的大小，对数据进行分类，从而确定发动机空气系统是否故障，具体为：
判断实时运行数据重构误差是否大于初步训练完成的发动机自编码器故障模型的重构误差阈值L，结果为是，则判定实时运行数据为故障数据，发动机空气系统故障；结果为否，则判定实时运行数据为健康数据，发动机空气系统正常。
更进一步的，1号健康数据集中包括多个健康样本、2号健康数据集中包括多个健康样本、以及故障数据集中包括多个故障样本；
每个健康样本中包括12个参数，且每个健康样本的标签均为健康；
每个故障样本中包括12个参数，且每个故障样本的标签均为故障；
其中，健康样本和故障样本中所包含的12个参数均为歧管进气流量值、EGR支路流量值、排气流量值、废气放气阀压力反馈值、节流阀阀门开度反馈值、基于新鲜空气或EGR流量传感器的Lambda值、进气压力输出值、EGR位置输出值、EGR压力输出值、最终喷油量、发动机转速和发动机输出扭矩。
本优选实施方式中，本申请采用12种参数，来分别构建健康数据集和故障数据集，构建数据集所采用的参量少，对检测模型进行训练的过程，训练过程简单，便于实现，后续在再通过有效确定重构误差阈值L，保证所构建模型的精度。
12个参数可为歧管进气流量值、EGR支路流量值、排气流量值、废气放气阀压力反馈值、节流阀阀门开度反馈值、基于新鲜空气、进气压力输出值、EGR位置输出值、EGR压力输出值、最终喷油量、发动机转速和发动机输出扭矩；或为歧管进气流量值、EGR支路流量值、排气流量值、废气放气阀压力反馈值、节流阀阀门开度反馈值、EGR流量传感器的Lambda值、进气压力输出值、EGR位置输出值、EGR压力输出值、最终喷油量、发动机转速和发动机输出扭矩。
虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种海上设施的双燃料燃气轮机发电机组