一种喷油器分组方法与流程

本发明涉及发动机部件试验
技术领域：
，尤其涉及一种喷油器分组方法。
背景技术：
：在电控高压共轨燃油系统中，喷油器的一致性对柴油机排放水平，油耗经济性都有着很大的影响。在批量生产过程中，由于组成喷油器的各零部件的机械制造误差是不可避免的，并且受到生产、加工、装配各阶段工艺及实施条件的限制，造成各喷油器总成之间存在喷油量的差异，导致发动机输出功率在不同气缸之间也会有所差别，从而引起车辆排放动力性能变差，油耗变高。目前，业内普遍采用喷油器油量分组的方法来保证同组内电控喷油器的一致性，具体方法如下：首先，确定某个调试工况点所有待测喷油器的油量范围，然后将这个油量范围划分成多个连续的更小油量分组范围，最后，根据待分组喷油器在这个调试工况点的油量，将其划分到所属的组类。燃油系统供应商提供给主机厂的成套喷油器都是从同一组内进行挑选的。这样就保证装在同一台发动机上所有喷油器，选用的也是同组内的喷油器，从而使发动机所有气缸上喷油器的一致性，与不分组时相比性能更佳。现有油量分组方法也存在明显的问题，比如，只根据某一个工况点的油量进行分组，会导致虽然在这个工况点工作时同组的喷油器一致性较好，但发动机运行在其他工况点时，喷油器一致性却无法保证。因此，亟需一种更加科学合理的喷油器分组方法，来保证同组喷油器在更多运行工况下的一致性。技术实现要素：本发明的目的在于提供一种喷油器分组方法，能够对批量生产的喷油器总成进行油量分组，可以在不改变现有生产工艺技术条件的基础上，最大限度的保证同组喷油器的一致性。为实现上述目的，提供以下技术方案：一种喷油器分组方法，包括如下步骤：步骤a、利用喷油器性能调试台架进行喷油量试验，依次确定批量生产的n个喷油器在若干个不同的调试工况下所对应的实际喷油量，其中，第i个喷油器在第j个调试工况点的实际喷油量为qij；步骤b、对所有调试工况点的所述实际喷油量数据qij进行标准化处理，形成油量标准化数据sij；步骤c、把经过步骤b标准化后的所述实际喷油量数据qij作为输入变量，根据主成分分析法通过正交变换将si1、si2…sij中存在相关性的变量转换为m个线性不相关的主成分；步骤d、在步骤c所求出的m个所述主成分的维度上进行聚类分析，将n个所述喷油器划分为k个组类；步骤e、采用确定k值的方法获取最佳k值，完成喷油器油量分组。进一步地，在步骤a中，所述调试工况点包括：根据与所述喷油器相匹配的发动机的要求进行确定的怠速运行点、额定功率点、部分负荷点、低速扭矩点和/或小油量点。进一步地，所述实际喷油量数据qij为n次喷射的单次喷油量数据的平均值。进一步地，在步骤b中，所述标准化处理为z-score方法。进一步地，在步骤b中，所述标准化数据其中，为500个所述喷油器在第j个调试点的平均喷油量，σj为标准偏差。进一步地，在步骤c中，所述主成分分析法为线性主成分分析法。进一步地，在步骤c中，所述主成分分析法中包括：步骤c1、求出各所述调试工况点的实际喷油量si1、si2…sij之间的相关系数矩阵；步骤c2、根据所述相关系数矩阵计算特征值以及各个所述主成分的贡献率与累计贡献率；步骤c3、根据所述累计贡献率大于设定阈值，求出m个所述主成分。进一步地，在步骤d中，所述聚类分析包括k-means聚类方法、或k-means++聚类方法或k中心点算法。进一步地，所述k-means聚类方法包括：步骤d1、在n个所述喷油器中选择k个的初始聚类中心，将n个所述喷油器分为k个组类；步骤d2、计算k个组类中所有对象的均值；步骤d3、重复步骤d2，至采用均方差作为标准测度函数的数值收敛为止。进一步地，在步骤e中，确定最佳k值的方法包括轮廓系数法、肘部法则或calinski-harabasz准则。与现有技术相比，本发明的有益效果为：本发明提供的喷油器分组方法，从电控共轨喷油器在不同调试工况下的油量特性出发，利用数据标准化处理，消除不同油量大小上量级的差异；使用主成分分析法可以起到降低维度的作用，把多指标合成为少数几个相互无关的综合指标，其中每个主成分都能够反映原始变量的绝大部分信息；基于聚类分析算法实现对喷油器的分组，适应范围广，安全可靠。本发明提供的喷油器分组方法，能够对批量生产的喷油器总成进行油量分组，可以在不改变现有生产工艺技术条件的基础上，最大限度的保证同组喷油器的一致性。附图说明为了更清楚地说明本发明实施例中的技术方案，下面将对本发明实施例描述中所需要使用的附图作简单的介绍，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，还可以根据本发明实施例的内容和这些附图获得其他的附图。图1为本发明实施例一提供的喷油器分组方法的流程示意图；图2为本发明实施例二提供的k-means聚类方法的流程示意图；图3为本发明实施例二提供的采用轮廓系数法确定最佳k值的流程示意图；图4为本发明实施例二提供的各组类k值下的轮廓系数法；图5为本发明实施例二提供的k＝4时的500个喷油器分组情况。具体实施方式为了使本领域技术人员更好地理解本发明的技术方案，下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。实施例一如图1所示，本实施例提供了一种喷油器分组方法，包括如下步骤：步骤a、利用喷油器性能调试台架进行喷油量试验，依次确定批量生产的共总n个喷油器在若干个不同轨道压力、控制脉宽所决定的调试工况点下所对应的实际喷油量；其中，第i个喷油器在第j个调试工况点的实际喷油量为qij；步骤b、对所有调试工况点的实际喷油量数据qij进行标准化处理，形成油量标准化数据sij；步骤c、把经过步骤b标准化后的实际喷油量数据qij作为输入变量，根据主成分分析法通过正交变换将si1、si2…sij中存在相关性的变量转换为m个线性不相关的主成分；步骤d、在步骤c所求出的m个主成分的维度上进行聚类分析，将n个喷油器划分为k个组类；步骤e、应用确定k值的方法获取最佳k值，从而得到所对应的分类结果，完成喷油器油量分组。本实施例提供的喷油器分组方法，从电控共轨喷油器在不同调试工况下的油量特性出发，利用数据标准化处理，消除不同油量大小上量级的差异；使用主成分分析法可以起到降低维度的作用，把多指标合成为少数几个相互无关的综合指标，其中每个主成分都能够反映原始变量的绝大部分信息；基于聚类分析算法实现对喷油器的分组，适应范围广，安全可靠。本实施例提供的喷油器分组方法，能够对批量生产的喷油器总成进行油量分组，可以在不改变现有生产工艺技术条件的基础上，最大限度的保证同组喷油器的一致性。该喷油器分组方法步骤简单，操作方便，且该方法基于数据分析算法实现，不需要增加额外的硬件设备，成本低廉，适于推广。优选地，在步骤a中，调试工况点包括但不限于根据与喷油器相匹配的发动机的要求进行确定的怠速运行点、额定功率点、部分负荷点、低速扭矩点、小油量点等特征运行点。可选地，实际喷油量数据qij为n次喷射的单次喷油量数据的平均值。优选地，在步骤b中，标准化处理为z-score方法。进一步地，在步骤b中，标准化数据其中，为n个喷油器在第j个调试点的平均喷油量，σj为标准偏差。示例性地，n为500。可选地，在步骤c中，主成分分析法为线性主成分分析法。线性主成分分析法是一种约减数据集维数的降维方法。它通过线性变换把数据变换到一个新的坐标系统中，使得任何数据投影的第一大方差在第一坐标(第一主成分)上，第二大方差在第二坐标(第二主成分)上，依此类推，获得m个线性不相关的主成分。进一步地，在步骤c中，主成分分析法中包括：步骤c1、求出各调试工况点的实际喷油量si1、si2…sij之间的相关系数矩阵；步骤c2、根据相关系数矩阵计算特征值以及各个主成分的贡献率与累计贡献率；步骤c3、根据累计贡献率大于设定阈值，求出m个主成分。可选地，在步骤d中，聚类分析包括k-means聚类方法、或k-means++聚类方法或k中心点算法。进一步地，k-means聚类方法包括：步骤d1、在n个喷油器中选择k个的初始聚类中心，将n个喷油器分为k个组类；步骤d2、计算k个组类中所有对象的均值；步骤d3、重复步骤d2，至采用均方差作为标准测度函数的数值收敛为止。简而言之，首先在n个数据对象中适当选择k个组类的初始聚类中心，对于剩下的其他对象，则根据它们与这些聚类中心的相似度(距离)，分别将它们分配给与其最相似的聚类中心所代表的类别；然后再计算每个所获新数据对象的聚类中心，也就是该聚类中所有对象的均值；不断重复这一过程直到采用均方差作为标准测度函数的数值开始收敛为止。可选地，在步骤e中，确定最佳k值的方法包括轮廓系数法、肘部法则或calinski-harabasz准则。实施例二本实施例提供了一种喷油器分组方法，包括如下步骤：步骤s1、假设有500支喷油器需要进行分组，首先利用台架试验确定这些喷油器在预先设定的不同轨道压力、脉宽所决定的六个特征工况下对应的实际喷油量。其中，第i个喷油器在第j个调试工况点的实际喷油量为qij，i＝1,2,…,500，j＝1,2,…,6。步骤s2、对所有调试工况点的实际喷油量数据qij进行标准化处理，形成油量标准化数据sij；优选的标准化处理为z-score方法，其中qij为第i个喷油器在第j个调试工况点的实际喷油量，为500个喷油器在第j个调试点的平均喷油量，σj为标准偏差。如表1所示，标准化后的部分喷油器油量数据。表1标准化后的部分喷油器油量数据喷油器编号工况1工况2工况3工况4工况5工况612.391.500.621.401.531.5120.501.740.921.911.861.6831.271.360.961.081.871.7540.751.531.021.971.961.7651.491.800.831.491.701.6361.681.800.441.391.671.5671.811.480.711.091.531.5281.290.990.581.051.531.4890.460.410.380.731.201.20100.731.440.571.871.801.67步骤s3、把经过步骤2标准化后的实际喷油量数据作为输入指标变量，根据主成分分析法通过正交变换将si1，si2，…，si6这六组可能存在关联的指标变量转换为六个线性不相关的主成分。其中，如表2所示，计算得到的部分喷油器各主成分的特征值、贡献率以及累计贡献率。从中可知，前两个主成分的累计贡献率已经达到了90.10％，大于阈值85％，所以选取z1为第一主成分、z2为第二主成分，这两个主成分基本上保留了原来油量si1，si2，…，si6的大部分信息。如表3所示，喷油器六个特征工况数据与前两个主成分之间的转换矩阵，它反映了所取主成分与各油量之间的相关关系，以及各油量对选出的主成分所起的作用。如表4所示，部分喷油器六个特征工况数据在前两个主成分的得分值，可以用这两个主成分值代替六个原特征数据，其得分值作为下一步聚类分析的样本值。表2计算得到的部分喷油器各主成分的特征值、贡献率以及累计贡献率主成分特征值贡献率(％)累积贡献率(％)z14.6978.1978.19z20.7111.9190.10z30.355.8995.99z40.172.7798.76z50.071.1799.93z60.000.07100.00表3喷油器六个特征工况数据与前两个主成分之间的转换矩阵转换矩阵z1z2工况10.38-0.21工况20.44-0.11工况30.270.95工况40.42-0.17工况50.45-0.03工况60.45-0.10表4部分喷油器六个特征工况数据在前两个主成分的得分值喷油器编号样本数据z1z21x1-1.321.132x2-0.190.713x3-1.460.804x4-1.040.635x5-0.770.136x6-0.940.957x7-0.940.558x8-0.800.889x9-1.561.0910x10-1.081.08步骤s4、在步骤3所求出的两个主成分维度上进行聚类分析，将500个喷油器划分为k个组类，以优选的k-means聚类方法为例，如表4所示，假设xi是第i个样本数据，具有上述求出的两个主成分维度变量，即两个特征值。如图2所示，k-means聚类方法的具体步骤如下：步骤s41、将初始组类k＝2，即将喷油器随机分为两组；步骤s42、在k组内各选取1个初始聚类中心，ci(t)，i＝1,2,…,k,其中i表示组类的序号，括弧内的t表示迭代运算的次数。步骤s43、将待聚类的数据样本(x1，x2，…,x500)按最小距离准则分配给两个聚类中心的某一个ci(t)。计算第j个数据样本xj与两个聚类中心ci(t)，i＝1,2，的距离d(xj，ci(t)),i＝1,2,…,k,若d(xj，ci(t))最小，则xj为第i类，记为步骤s44、计算两个新的聚类中心：其中ni代表第i类的样本个数，i＝1,2,…,k。步骤s45、如果ci(t+1)＝ci(t),i＝1,2,…,k,则得到k类样本数据，并到下一步(d6)，否则，返回步骤s43。步骤s46、判断组类k是否大于等于设定的上限10，如是，则到下一步步骤s5；如否，则k＝k+1，并且返回步骤s42。步骤s5、应用确定k值的方法获取最佳k值。本实施例优选的使用轮廓系数法(silhouettecoefficient)确定最佳k值，它结合组内相似度和组间不相似度两种因素，是聚类效果好坏的一种评价方式。从而得到k所对应的分类结果，完成喷油器油量分组。如图3所示，轮廓系数法确定最佳k值的具体步骤如下：步骤s51、初始组类k＝2，计算由步骤(d)得到的k组分类信息中，某个样本xi到同组内其他样本的平均距离a(i)。该平均距离a(i)的值越小，说明样本越该被聚类到该组，它代表该样本的组内不相似度。步骤s52、计算某个样本xi到其他组cj的其他样本的平均距离b(ij)。该值越大，说明样本越不该被聚类到该组，它代表该样本xi组cj的组间不相似度。b(i)＝min{bi1，bi2，…,bik}。步骤s53、根据样本i的组内不相似度a(i)和组间不相似度b(i)，定义组类为k时的样本i的轮廓系数法为所有样本的均值，是组类为k时的聚类结果的轮廓系数法，它是该聚类是否合理，有效的度量。该值越接近1，则说明样本i聚类越合理；该值越接近-1，则说明样本i更应该分类到另外的组；步骤s54、如图4所示，分别计算所有k个组类的轮廓系数法值，并取最大值所对应的k为最佳k值，此时最大的轮廓系数法约为0.9，对应的k值为4。步骤s55、如图5所示，从而得到k＝4时的500个喷油器最佳分类信息，最终分类结果。本实施例提供的喷油器分组方法，从电控共轨喷油器在不同调试工况下的油量特性出发，利用数据标准化处理，消除不同油量大小上量级的差异；使用主成分分析法可以起到降低维度的作用，把多指标合成为少数几个相互无关的综合指标，其中每个主成分都能够反映原始变量的绝大部分信息；基于聚类分析算法实现对喷油器的分组，适应范围广，安全可靠。注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所说的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。当前第1页12