本发明涉及汽车制造领域,具体是一种汽车发动机数据采集与故障隐患分析预警模型。
背景技术:
科学技术的发展使生活得到实际好处,汽车就是科技的结果,汽车会使人们生活更加便利。但是汽车在给人们生活带来巨大的效益的同时,也带来了许多不易排除的故障。由于发动机对于洗车而言,有着至关重要的作用,因此一旦发动机发生故障,汽车可能会无法行驶,甚至为人们带来诸如车祸等安全隐患。
但是,对于普通人来说,不可能随时随地在遇到发动机故障时能及时的找到修理店,或者能够自行修理发动机。因此,如果发动机在生产时就能尽可能的避免日后使用时的故障问题,就会为人们减少很多麻烦甚至是铲除隐患。
但是,现有技术还不能预先分析发动机可能存在的故障隐患,只能在发现发动机故障后再进行修理,因此无法在汽车生产时对发送机的零部件进行优化,也无法对汽车发动机的设计研发提供足够有用的参考资料。
技术实现要素:
本发明的目的是为了现有技术中存在的问题。
为实现本发明目的而采用的技术方案是这样的,一种汽车发动机数据采集与故障隐患分析预警模型,参见图1,主要包括以下步骤:
1)利用现有设备实时采集怠速车辆的车况数据;所述车况数据主要包括发动机冷却液温度、进气歧管压力、进气温度、发动机转速。
2)对采集到的车况数据进行故障特征参数提取。
故障特征参数提取的方法是先利用采用功率谱密度法对能力和功率谱密度进行分析,再将分析后的能力和功率谱密度作为故障特征参数。主要步骤如下:
2.1)确定特征参数指标;
设均方根值为
式中,xi为采集到的时域信号,n为时域信号xi的长度,1≤i≤n,
峰值为fpeak=e[maxx(t)](2)
式中,x(t)是连续时域信号,maxx(t)为一个周期内最大的连续时域信号,t为时间,e为期望。
则特征参数指标如下:
峭度指标
式中,xi为采集到的时域信号,n为时域信号xi长度,1≤i≤n,
峰值指标
式中,frms为利用公式(1)计算出来的均方根值,fpeak为利用公式(2)计算得出的峰值。
脉冲指标
式中,fpeak为利用公式(2)计算出来的峰值,n为时域信号xi长度,1≤i≤n,xi为采集到的时域信号。
波形指标
frms为利用公式(1)计算出来的均方根值,n为时域信号xi长度,1≤i≤n,xi为采集到的时域信号。
裕度指标
式中,fpeak为利用公式(2)计算出来的峰值,xi为采集到的时域信号,n为时域信号xi长度,1≤i≤n。
2.2)利用有限傅立叶变换法求解功率谱密度函数。功率谱密度是傅立叶变换的平方值。
时域信号x(t)的离散傅立叶变换表达式为:
式中,f为频率,f=k/f,δt为时间变化量,k为任意离散时域信号的序号,0≤k≤f-1,xk为傅立叶幅度,f为频率点总数。
功率谱密度函数值为:
式中,t为周期,fn为对应各频率点的离散频率值,xn为每个频率上的功率谱值,n为第n个频率点,n=0,1,...,f-1。
对应各频率点的离散频率值为:
式中,n为第n个频率点,n=0,1,...,f-1,δf为频率变化量,δf=1/t,t为周期,δt为时间变化量,f为频率点总数。
每个频率上的功率谱值为:
式中,x(f)为时域信号x(t)的离散傅立叶变换,δt为时间变化量,f为频率点总数,k为任意离散时域信号的序号,xk为傅立叶幅度,f为频率,f=k/f;0≤k≤f-1;i为虚数单位。
功率谱密度函数为:
式中,f为频率点总数,δt为时间变化量,xn为每个频率上的功率谱值,fn对应各频率点的离散频率值,t为周期,xk为傅立叶幅度,f为频率,f=k/f,xk为离散时域信号,k为任意离散时域信号的序号,0≤k≤f-1。
2.3)采集频域故障特征参数;主要步骤如下:
2.3.1)利用均方频谱法,将功率谱按照一定频率δf分成n个频带;即:
p=(p1,p2,...,pn)(13)
式中,p1,p2,...,pn分别为按所述频率分割而成的频带;δf=1/t;t为周期;
2.3.2)计算每个频带的能量值
式中,gθ为第θ条谱线功率谱密度,δf为频率分辨率,θ1是θ频带的频率上限,θ2是θ频带的频率下限。
2.3.3)选择一组绝对能量值pθ和相对能量值tθ作为频域故障特征量;即:
式中,gθ为第θ条谱线功率谱密度,δf为频率分辨率,θ1是θ频带的频率上限,θ2是θ频带的频率下限,h为整个频带的能量值总和。
3)分析故障特征参数的主成分。主要步骤如下:
3.1)采集故障特征参数的原始数据,确定分析变量。
采集出r个样本,每个样本有p个变量,所述r个样本和所述p个变量构成一个r×p型矩阵。
3.2)对原始数据进行标准化处理,以消除量纲对数据处理的影响。
标准化处理公式:yuv=xuv-xu/su(16)
式中,yuv为标准化后的变量值,xuv为实际变量值,xu为算术平均值,su为标准差,u为矩阵向量的行下标,v为矩阵向量的列下标。
处理后的数据矩阵为:
3.3)计算特征根和响应的标准正交特征向量。
相关系数矩阵z为:
式中,zuv为原变量zu与zv的相关系数,u为矩阵向量的行下标,v为矩阵向量的列下标。
zuv=zvu(19)
式中,zuv为原变量zu与zv的相关系数,u为矩阵向量的行下标,v为矩阵向量的列下标,ydu和ydv为标准化后的变量值,
|λe-z|=0(21)
式中,λ为矩阵z的特征值,e为单位矩阵,z为公式(18)表示的矩阵。
根据公式(21),可以求出矩阵z的p个特征值,各主成分的方差贡献大小按特征根顺序递减排列。
利用每个特征值λj解出方程组zb=λjb对应于每个特征值的特征变量bj。
式中,z为公式(18)表示的矩阵,b为特征变量,λj为每一个特征值。
3.4)计算主成分贡献率和累计贡献率。
把p个原始变量y1,y2,...,yp的总方差分解为p个独立的变量g1,g2,...,gp的方差之和。
第j个主成分yj的方差贡献率为
式中,λj为矩阵z的每个特征值,j为主成分个数,j=1,2,…,p,p为独立变量个数。
第一主成分贡献率最大,即g1综合原始变量的能力最强,g2,g3,...,gp的综合能力依次递减。
如果只取其中的m个主成分,那么这m个主成分的累计贡献率为:
式中,λj是矩阵z的每个特征值,j为主成分个数,j=1,2,…,p,p为原始变量个数,λr是矩阵z的所有特征值,整数r为任意样本,1≤r≤m,m为主成分个数。
3.5)得到新的综合变量;
即,
式中,p代表独立向量个数,y1、y2、y3......yp为标准化后的变量值,m为主成分个数,l11、l21、l31......lmp为主成分得分系数。
4)数据标准化。
采用最值法将采集的数据标准化。
即:
式中,xmin是信号极小值,xmax是信号极大值,xl为标准化前的数据,xl'为标准化后的数据。
5)故障风险分析;
根据分析后的故障特征参数,利用单类支持向量机对故障进行分类诊断;
选取训练样本集(xi,yi)和向量xl∈rn,其中i=1,2...l;n为样本维度;rn为数据空间;y∈{-1,+1}是类别标号;y将所述训练样本集(xi,yi)划分为两类;
超平面方程为:
ω·x+b=0(26)
式中,ω为权向量;b为公式(26)的偏置;
公式(26)的约束条件如下:
ζi≥0
式中,ζi为任意松弛变量;
此时,最大间距超平面为广义最优分类超平面;
公式(26)的约束条件变为:
s.t.yi[(ω·xi)+b]≥1-ζi(27)
采用单类支持向量机求解,对应的优化问题的初始形为:
式中,w为支持向量,wt为w的转置,b为偏置,ρ为支持向量的阈值,ζ为松弛变量,v为误差限,ζi为任意松弛变量,l为松弛变量的总数,i为松弛变量的序号,1≤i≤l。
公式(26)的约束条件为:
式中,wt为w的转置,ζi为任意松弛变量,i为松弛变量的序号,1≤i≤l,ρ为支持向量的阈值,φ(xi)为非线性映射后的向量。
其对偶形式为
式中,α为w的对偶形式,αt为α的转置,q为l×l阶半正定矩阵。
公式(30)的约束条件为:
式中,et为单位矩阵的转置,αi为每个样本所对应的权重值,v为误差限,l为松弛变量的总数,α为w的对偶形式。
qij≡yiyjk(xi,xj)≡φ(xi)tφ(xi)(30)
式中,k(xi,xj)为核函数,xi和xj是非线性映射后特征空间中的两个向量,1≤i≤l,φ(xi)为非线性映射后的向量,φ(xi)t为φ(xi)的转置。
判别函数为:
式中,k(xi,x)为核函数,1≤i≤l,ρ为分类超平面的参数向量;xi和xj是非线性映射后特征空间中的两个向量,1≤i≤l,αi为每个样本所对应的权重值。
进一步,k(xi,x)可选择径向基核函数、sigmoid核函数等。
6)利用判别函数判断所述特征空间中变量对发动机故障影响大小。
本发明的技术效果是毋庸置疑的,利用汽车发动机数据采集与故障隐患分析预警模型的结果能直观地从地图上找到可能发生故障的车辆,从而找出发动机容易发生故障的零部件。
根据分析结果,可以及时对可能发生故障的零部件进行检测,提前预防故障的发生,并指导研发产品设计改进。因此,在生产汽车的过程中,可以做到优化发动机,从而让该类型汽车在市场上占据更大的份额,获取更大的效益。
本发明具有分析高效、节约成本等特点。
附图说明
图1为汽车发动机数据采集与故障隐患分析预警模型的步骤示意图。
具体实施方式
下面结合实施例对本发明作进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明的保护范围内。
实施例1:
一种汽车发动机数据采集与故障隐患分析预警模型,参见图1,主要包括以下步骤:
1)实时采集怠速车辆的车况数据。
进一步,在采集车辆车况数据前,需要确定车辆的品牌和具体型号。采集车况数据时,需要特别注意与发动机相关的数据信息。
优选的,在设置采集车辆数据的日期、时间段时,采用随机的方式,尽可能得出全面的结果。
2)对采集到的车况数据进行故障特征参数提取。
故障特征参数提取的方法是先利用采用功率谱密度法对能力和功率谱密度进行分析,再将分析后的能力和功率谱密度作为故障特征参数。
进一步,功率谱密度是在随机动态载荷激励下响应的统计结果,是一条功率谱密度值—频率值的关系曲线。其中功率谱密度主要包括位移功率谱密度、速度功率谱密度、加速度功率谱密度、力功率谱密度等形式。
故障特征参数提取的主要步骤如下:
2.1)确定特征参数指标。
设均方根值为
式中,xi为采集到的时域信号,n为时域信号xi的长度,1≤i≤n。
峰值为fpeak=e[maxx(t)](2)
式中,x(t)是连续时域信号,maxx(t)为时域信号的最大值,t为时间(s),e为期望。
特征参数指标如下:
峭度指标
式中,xi为采集到的时域信号,n为时域信号xi的长度,1≤i≤n,
进一步,峭度指标是无量纲参数,与发动机轴承转速、尺寸、载荷等无关。峭度指标对冲击信号特别敏感,适用于表面损伤类故障,尤其是早期故障的诊断。随着故障的出现和发展,振动信号中大幅值的概率密度增加,信号幅值的分布偏离正态分布,正态曲线出现偏斜或分散,峭度值也随之增大。峭度指标的绝对值越大,说明发动机轴承偏离其正常状态,故障也就越严重。
峰值指标
式中,frms为利用公式(1)计算出来的均方根值,fpeak为利用公式(2)计算得出的峰值。
脉冲指标
式中,fpeak为利用公式(2)计算出来的峰值,n为时域信号xi长度,1≤i≤n,xi为采集到的时域信号。
进一步,脉冲是在短时间突变,随后又迅速返回其初始值的物理量。脉冲具有间隔性,用于反映振动信号的大小。
波形指标
frms为利用公式(1)计算出来的均方根值,n为时域信号xi长度,1≤i≤n,xi为采集到的时域信号。
裕度指标
式中,fpeak为利用公式(2)计算出来的峰值,n为时域信号xi长度,1≤i≤n,xi为采集到的时域信号。
进一步,裕度是信号和干扰的比值。
利用有限傅立叶变换法求解功率谱密度函数。功率谱密度是傅立叶变换的平方值。
时域信号x(t)的离散傅立叶变换表达式为:
式中,f为频率(hz),f=k/f,k为任意离散时域信号的序号,0≤k≤f-1,δt为时间变化量,xk为傅立叶幅度,f为频率点总数。
功率谱密度函数值为:
式中,t为周期(s),fn为对应各频率点的离散频率值,xn为每个频率上的功率谱值,n为第n个频率点,n=0,1,...,f-1。
对应各频率点的离散频率值为:
式中,n为第n个频率点,n=0,1,...,f-1,δf为频率变化量,t为周期,δt为时间变化量,f为频率点总数。
每个频率上的功率谱值为:
式中,x(f)为时域信号x(t)的离散傅立叶变换,δt为时间变化量,f为频率点总数,k为任意离散时域信号的序号,xk为傅立叶幅度,f为频率,f=k/f,0≤k≤f-1,i为虚数单位。
功率谱密度函数为:
式中,f为频率点总数,δt为时间变化量,xn为每个频率上的功率谱值,fn对应各频率点的离散频率值,t为周期,xk为傅立叶幅度,f为频率,f=k/f,k为任意离散时域信号的序号,0≤k≤f-1。
2.3)采集频域故障特征参数;主要步骤如下:
2.3.1)2.3.1)利用均方频谱法,将功率谱按照一定频率δf分成n个频带,即:
p=(p1,p2,...,pn)(13)
式中,p1,p2,...,pn分别为按所述频率分割而成的频带,δf=1/t,t为周期。
2.3.2)计算每个频带的能量值
式中,gθ为第θ条谱线功率谱密度,δf为频率分辨率,θ1是θ频带的频率上限,θ2是θ频带的频率下限。
2.3.3)选择一组绝对能量值pθ和相对能量值tθ作为频域故障特征量。即:
式中,gθ为第θ条谱线功率谱密度,δf为频率分辨率,θ1是θ频带的频率上限,θ2是θ频带的频率下限,h为整个频带的能量值总和。
3)分析故障特征参数的主成分。主要步骤如下:
3.1)采集故障特征参数的原始数据,确定分析变量;
采集出r个样本,每个样本有p个变量,所述r个样本和所述p个变量构成一个r×p型矩阵。
3.2)对原始数据进行标准化处理,以消除量纲对数据处理的影响。
标准化处理公式:yuv=xuv-xu/su(16)
式中,yuv为标准化后的变量值,xuv为实际变量值,xu为算术平均值,su为标准差,u为矩阵向量的行下标,v为矩阵向量的列下标。
处理后的数据矩阵为:
3.3)计算特征根和响应的标准正交特征向量。
相关系数矩阵z为:
式中,zuv为原变量zu与zv的相关系数,u为矩阵向量的行下标,v为矩阵向量的列下标。
zuv=zvu(19)
式中,zuv为原变量zu与zv的相关系数,u为矩阵向量的行下标,v为矩阵向量的列下标,ydu和ydv为标准化后的变量值,
|λe-z|=0(21)
式中,λ为矩阵z的特征值,e为单位矩阵,z为公式(18)表示的矩阵。
根据公式(21),可以求出矩阵z的p个特征值,各主成分的方差贡献大小按特征根顺序递减排列。
利用每个特征值λj解出方程组zb=λjb对应于每个特征值的特征变量bj。
式中,z为公式(18)表示的矩阵,b为特征变量,λj为每一个特征值。
3.4)计算主成分贡献率和累计贡献率。
把p个原始变量y1,y2,...,yp的总方差分解为p个独立的变量g1,g2,...,gp的方差之和。
第j个主成分yj的方差贡献率为
式中,λj为矩阵z的每个特征值,j为主成分个数,j=1,2,…,p,p为独立变量个数。
进一步,方差贡献率是指单个变量引起的变异占总变异的比例,表示的是此变量对因变量的影响力大小。
第一主成分贡献率最大,即g1综合原始变量的能力最强。g2,g3,...,gp的综合能力依次递减。
如果只取其中的m个主成分,那么这m个主成分的累计贡献率为:
式中,λj是矩阵z的每个特征值,j为主成分个数,j=1,2,…,p,p为原始变量个数,λr是矩阵z的所有特征值,整数r为任意样本,1≤r≤m,m为主成分个数。
进一步,累计方差贡献率是所有变量引起的变异占总变异比例,说明所有变量对因变量的合计影响力。
累计方差贡献率等于所有方差贡献率相加。
3.5)得到新的综合变量。
即:
式中,p代表原始向量个数,y1、y2、y3......yp为标准化后的变量值,m为主成分个数,l11、l21、l31......lmp为主成分得分系数。
4)数据标准化。
采用最值法将采集的数据标准化。
即,
式中,xmin是信号极小值,xmax是信号极大值,xl为标准化前的数据,xl'为标准化后的数据。
5)故障风险分析。
根据分析后的故障特征参数,利用单类支持向量机对故障进行分类诊断。
进一步,单类支持向量机用于大规模数据集的模式分类和回归估计。单类支持向量机可以压缩样本数量,并在保证压缩率的情况下保留原有大规模数据集的分布特征。单类支持向量机所需存储空间较小、分析速度快。
选取训练样本集(xi,yi)和向量xl∈rn,其中i=1,2...l;n为样本维度;rn为数据空间;y∈{-1,+1}是类别标号;y将所述训练样本集(xi,yi)划分为两类;
超平面方程为:
ω·x+b=0(26)
式中,ω为权向量;b为公式(26)的偏置;
公式(26)的约束条件如下:
ζi≥0
式中,ζi为任意松弛变量;
此时,最大间距超平面为广义最优分类超平面;
公式(26)的约束条件变为:
s.t.yi[(ω·xi)+b]≥1-ζi(27)
采用单类支持向量机求解,对应的优化问题的初始形为:
式中,w为支持向量,wt为w的转置,b为偏置,ρ为支持向量的阈值,ζ为松弛变量,v为误差限,ζi为任意松弛变量,l为松弛变量的总数,i为松弛变量的序号,1≤i≤l。
公式(28)的约束条件为:
式中,w为支持向量,wt为w的转置,ζi为任意松弛变量,i为松弛变量的序号,1≤i≤l,ρ为支持向量的阈值,φ(xi)为非线性映射后的向量。
其对偶形式为
式中,w为支持向量,α为w的对偶形式,αt为α的转置,q为l×l阶半正定矩阵。
公式(30)的约束条件为:
式中,et为单位矩阵的转置,αi为每个样本所对应的权重值,v为误差限,l为松弛变量的总数,α为w的对偶形式。
qij≡yiyjk(xi,xj)≡φ(xi)tφ(xi)(30)
式中,k(xi,xj)为核函数,xi和xj是非线性映射后特征空间中的两个向量,1≤i≤l,φ(xi)为非线性映射后的向量,φ(xi)t为φ(xi)的转置。
判别函数为:
式中,k(xi,x)为核函数,1≤i≤l,ρ为分类超平面的参数向量,xi和xj是非线性映射后特征空间中的两个向量,1≤i≤l,αi为每个样本所对应的权重值。
进一步,k(xi,x)可选择径向基核函数、sigmoid核函数等。
6)利用判别函数判断所述特征空间中变量对发动机故障影响大小。
7)得出车辆状态检测结果和车辆故障检测结果。
进一步,根据分析结果,可以对正在生产中的车辆的发动机进行针对性检测,并为该品牌和型号车辆的研发、改进提供参考数据。
实施例2:
利用汽车发动机数据采集与故障隐患分析预警模型分析雨水环境下发动机故障情况的主要步骤如下:
1)确定车辆品牌和型号。
2)在地图上圈出有降雨或有洪水的地方。
3)在已经圈出的地区,实时监测该品牌和型号的车辆,并将下处于怠速状态的车辆记录下来。
4)采集怠速车辆的车况数据,与发动机相关的数据需要特别记录。
5)针对采集到的车况数据,根据汽车发动机数据采集与故障隐患分析预警模型里的步骤提取出故障特征参数。
6)分析故障特征参数,确定出需要分析的变量。
7)对变量数据进行标准化处理。
8)根据标准化的数据,分析故障风险,从而得出结果,即分析出在雨水环境下容易出故障的发动机零件等。
9)根据分析结果,可以对正在生产中的车辆的发动机进行针对性检测,并为该品牌和型号车辆的研发、改进提供参考数据。
实施例3:
利用汽车发动机数据采集与故障隐患分析预警模型分析山道路段发动机故障情况的主要步骤如下:
1)确定车辆品牌和型号。
2)在地图上圈出有山道路段的地方。
3)在已经圈出的地区,实时监测该品牌和型号的车辆,并将下处于怠速状态的车辆记录下来。
4)采集怠速车辆的车况数据,与发动机相关的数据需要特别记录。
4)针对采集到的车况数据,根据汽车发动机数据采集与故障隐患分析预警模型里的步骤提取出故障特征参数。
5)分析故障特征参数,确定出需要分析的变量。
6)对变量数据进行标准化处理。
7)根据标准化的数据,分析故障风险,从而得出结果,即分析出在山道路段中容易出故障的发动机零件等。
8)根据分析结果,对正在生产中的车辆的发动机进行针对性检测,并为该品牌和型号车辆的研发、改进提供参考数据。
实施例4:
利用汽车发动机数据采集与故障隐患分析预警模型分析城市路段发动机故障情况的主要步骤如下:
1)确定车辆品牌和型号。
2)在地图上城市范围。
3)在已经圈出的地区,实时监测该品牌和型号的车辆,并将下处于怠速状态的车辆记录下来。
4)采集怠速车辆的车况数据,与发动机相关的数据需要特别记录。
5)针对采集到的车况数据,根据汽车发动机数据采集与故障隐患分析预警模型里的步骤提取出故障特征参数。
6)分析故障特征参数,确定出需要分析的变量。
7)对变量数据进行标准化处理。
8)根据标准化的数据,分析故障风险,从而得出结果,即分析出在城市中容易出故障的发动机零件等。
9)根据分析结果,可以对正在生产中的车辆的发动机进行针对性检测,并为该品牌和型号车辆的研发、改进提供参考数据。
实施例5:
利用汽车发动机数据采集与故障隐患分析预警模型分析农村路段发动机故障情况的主要步骤如下:
1)确定车辆品牌和型号。
2)在地图上圈出农村范围。
3)在已经圈出的地区,实时监测该品牌和型号的车辆,并将下处于怠速状态的车辆记录下来。
4)采集怠速车辆的车况数据,与发动机相关的数据需要特别记录。
5)针对采集到的车况数据,根据汽车发动机数据采集与故障隐患分析预警模型里的步骤提取出故障特征参数。
6)分析故障特征参数,确定出需要分析的变量。
7)对变量数据进行标准化处理。
8)根据标准化的数据,分析故障风险,从而得出结果,即分析出在农村里容易出故障的发动机零件等。
9)根据分析结果,可以对正在生产中的车辆的发动机进行针对性检测,并为该品牌和型号车辆的研发、改进提供参考数据。
实施例6:
利用汽车发动机数据采集与故障隐患分析预警模型综合分析发动机故障情况的主要步骤如下:
1)确定车辆品牌和型号,在地图上确定出该品牌和型号车辆的的范围。该范围要保证分析高效、尽可能节约成本。
2)在地图上显示出处于怠速状态的车辆。
3)在已经圈出的地区,实时监测该品牌和型号的车辆,并将处于怠速状态的车辆记录下来。
4)采集怠速车辆的车况数据,与发动机相关的数据需要特别记录。
5)针对采集到的车况数据,根据汽车发动机数据采集与故障隐患分析预警模型里的步骤提取出故障特征参数。
6)分析故障特征参数,确定出需要分析的变量。
7)对变量数据进行标准化处理。
8)根据标准化的数据,分析故障风险,从而得出结果,即分析出综合条件下容易出故障的发动机零件等。
9)根据分析结果,可以对正在生产中的车辆的发动机进行针对性检测,并为该品牌和型号车辆的研发、改进提供参考数据。