Egr管路故障检测诊断方法
【技术领域】
[0001] 本发明涉及发动机领域，具体涉及一种EGR管路故障检测诊断方法。
【背景技术】
[0002] 发动机作为工程机械的也脏，其性能的优劣直接关系到工程机械整个系统运行的 动力性、经济性，可靠性，环保性W及安全性。随着发动机强化程度的提高，发动机的结构也 变得非常复杂，工作条件也十分恶劣，发生故障的可能性大大增加。
[0003] 发动机中的排气再循环（ExhaustGasRecirculation，EGR)是指发动机在燃烧后将 排出气体的一部分导入吸气侧使其再度吸气的技术。其主要目的是可W降低排出气体中的 氮氧化物（NO X)与分担部分负荷时可提高燃料消费率。
[0004] 对于EGR发动机来说，需要对EGR系统的故障进行相应的检测来保证发动机运行 的安全性。其中，EGR阀本身的故障诊断可W通过EGR阀自身传感器来进行电气故障判断 卡滞或电气损坏；此外，还需要对EGR管路的漏气或者阻塞进行判断；对此，现有技术中的 方式为，采用进气流量传感器对进气流量检测，从而可W根据进气流量是否超过预设的检 测值来判断EGR管路是否存在漏气或者阻塞。但是EGR管路的电压或电阻问题导致发动机 会出现启动困难、怠速抖动、加速不良等状况，是进气流量传感器检测不到的问题，影响发 动机的正常使用。
【发明内容】
[0005] 为了克服现有技术中检测EGR管路时功能的不足，本发明提供一种EGR管路故障 检测诊断方法。
[0006] 本发明的技术方案是：一种EGR管路故障检测诊断方法，其步骤包括： 步骤一、利用已知管路数据建立数据库，并进行数据预处理； 步骤二、建立RVM模型，利用粒子群算法优化训练RVM模型参数； 步骤H、利用已知数据库训练建立的RVM模型； 步骤四、采用RVM模型对待EGR管路测数据进行诊断分析； 步骤五、建立检测数据结果与EGR管路状态之间的对应关系。
[0007] 所述步骤一中的数据预处理是对数据进行归一化处理。
[0008] 所述步骤二中的粒子群算法步骤为： A. 初始化粒子群：确定粒子群的规模，初始位置和速度，根据约束条件对每个粒子 初始化拉格朗日因子a的值； B. 计算每一个粒子的目标函数值，即所要优化函数的值； C. 更新每一个粒子a的位置局部最优值化est和全局最优值抓est ; D. 更新每一个粒子a的飞行速度和位置； E. 判断数据是否达到RVM模型标准，达到标准跳出循环，并计算相关系数，否则返回 的步骤2)，直到满足迭代的次数； F.返回最优a的值，并将最优化的参数传递给R VM模型。
[0009] G.根据权利要求1所述的EGR管路故障检测诊断方法，其特征在于，所述步骤四 中的待测数据包括设于润轮增压器前的压力传感器获取的实时压力数据和设于EGR阀的 角度传感器测量的角度变化数据。
[0010] 所述步骤四使用的RVM模型为"一对一"RVM分类器。
[0011] 本发明有如下积极效果；本发明中使用了角度传感器和压力传感器分别设置于 EGR阀和润轮增压器前，能够检测到正常工作状态下的和故障状态下的EGR阀开度变化控 制的过程中EGR阀的开度变化幅度与压力值变化幅度的对应关系，经过利用粒子群算法优 化过的RVM模型进行数据对比和分析，增大了检测结果的准确率，同时该方法除了能够检 巧IJ EGR管路是否故障，还能够检测EGR管路是漏气故障还是堵塞故障，明确了故障检测的结 果，方便了工作人员的查看和维修。
【附图说明】
[0012] 图1是本发明中EGR管路故障检测诊断方法的工作流程图； 图2是本发明中粒子群算法的工作流程图； 图3是本发明中EGR管路故障检测诊断方法的工作结构图。
【具体实施方式】
[0013] 下面对照附图，通过对实施例的描述，本发明的【具体实施方式】如所涉及的各构件 的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及 操作使用方法等，作进一步详细的说明，W帮助本领域技术人员对本发明的发明构思、技术 方案有更完整、准确和深入的理解。
[0014] 如图1-图3所示，一种EGR管路故障检测诊断方法，其步骤包括： SOI步骤一、利用已知数据建立数据库，并进行数据预处理。已知数据库中的数据是正 常工作状态下设于润轮增压器前的压力传感器根据设于EGR阀的角度传感器测量的角度 变化时测得的实时压力数据，是EGR阀的开度角度变化时对应的压力数据，此数据是正常 工作状态下即非故障状态时的数据构成已知数据库。预处理是对数据进行归一化处理，归 一化可W加快训练网络的收敛性，归一化的具体作用是归纳统一样本的统计分布性。无论 是为了建模还是为了计算，首先基本度量单位要同一，粒子群算法是W样本在事件中的统 计分别几率来进行训练和预测的，归一化是同一在0-1之间的统计概率分布；SVM是W降维 后线性划分距离来分类和仿真的，因此时空降维归一化是统一在-1--+1之间的统计坐标 分布。
[0015] S02步骤二、建立RVM模型，利用粒子群算法优化训练RVM模型参数。建立RVM模 型首先选择合适的函数，并对其超参数进行PS0优化训练，建立合适的RVM模型，利用粒 子群算法优化训练RVM模型参数，让模型更容易收敛，运算速度更快。建立RVM模型时，先 利用已知样本数据库进行粒子群算法优化训练成功建立模型，已知样本数据库的建立是在 EGR管路正常状态时获得保存的。
[0016] 核函数的选择时常用的RVM核函数有4种： 线性核函数： K( X,玄）二 X ..互 (1) 多项式核函数： K( X，Z)二[s( X Z) + C] q 城 高斯径向基（RB巧核函数： K( X，Z )二長戒（-X lls - Z 112 ) 城 Sigmoid核函数： K (X, Z)二主[s( X Z) + C] (4) 选择合适的核函数是该方法能成功使用的关键，通过测试验证训练，比较各自泛化性 能，本文选择RBF核函数作为故障诊断的RVM模型。
[0017] 粒子群优化算法（particle swarm optimization, PS0)，是由 Kennedy 和 Eberhart于1995年首次提出的一种基于迭代的寻优算法[8]。该算法是对鸟群社会行 为的模拟，PS0算法和遗传算法类似，是一种基于群体（population)的优化算法，每个粒 子通过和其他粒子进行信息交互，调整自己的进化方向，W及避免陷入局部最优；同时，PS0 算法采用不同于遗传算法的随机搜索策略，操作起来要比遗传算法简便得多，因此在解决 某些优化问题时显示出更卓越的性能。
[0018] 本文利用粒子群优化算法优化相关向量机中的拉格朗日乘子，通过利用PS0寻找 拉格朗日乘子该个向量满足R VM中约束条件的各个分量的最优值，使得两分类之间的间 隔距离最大，从而构造出最优超平面。初始化粒子群时，应不断判断直到各粒子随机的初始 值满足所优化的相关向量机中的约束条件。PS0优化相关向量机的拉格朗日乘子a通过调 用编写的M文件子程序PSO. m实现。每个粒子a的每个分量通过自身学习和向其他粒子 学习，不断更新自身速度和位置，达到全局最优。
[0019] 粒子群算法的步骤为： A. 初始化粒子群：确定粒子群的规模，初始位置和速度，根据约束条件对每个粒子 初始化拉格朗日因子a的值； B. 计算每一个粒子的目标函数值，即所要优化函数的值； C. 更新每一个粒子a的位置局部最优值化est和全局最优值抓est ; D. 更新每一个粒子a的飞行速度和位置； E. 判断数据是否达到RVM模型标