发动机状态的诊断方法及其诊断建模方法技术

本公开涉及发动机状态的诊断方法及其诊断建模方法。一种诊断发动机状态的方法，可以包括：测量发动机的振动，其中，发动机的组装在发动机生产的自动化下线(EOL)工艺中完成；以及使用初级深度学习分类模型初步诊断在EOL工艺期间的发动机的振动，其中基于关于在发动机上的三个或以上的位置处测量的多个振动信号的大数据根据通过使用多种算法学习获得的特征对发动机的振动信号进行分类，其中，通过对发动机的振动进行初步诊断而将EOL工艺中的发动机的组装状态分类为正常状态或异常状态。

【技术实现步骤摘要】
发动机状态的诊断方法及其诊断建模方法
本公开的示例性实施方式涉及使用基于深度学习的人工智能(AI)诊断发动机的异常状态的方法以及配置诊断模型的方法。
技术介绍
人脑由称为神经元的多个神经细胞组成。神经元中的每一个通过称为连接点的突触连接至数百至数千的其他神经元。神经元中的每一个从连接至此的其他神经元接收电气和化学信号并且将这些信号聚合在细胞胞体中。当聚合值大于阈值(即，神经元固有的限制)时，激活神经元以通过轴突将输出发送到相邻的神经元中。同时执行神经元之间的信息交换，并且通过学习改进这种信息交换的功能。就相关领域中的技术结构而言，“人工智能(AI)”是最高的概念。AI是在将来的某一天使计算机和机器人能模仿人脑和神经元神经网络并且像人一样思考和行动的一种技术。对甚至在交通工具中基于与AI有关的学习的控制系统不断进行研究。然而，至今，AI仅作为将说话者识别(语音识别)与移动信息技术(IT)结合的技术应用于交通工具。即，AI应用于交通工具的实例包括通过语音识别进行的导航和音频操纵以及通过智能电话联锁的应用操纵。同时，交通工具是由数以万计的部件组成的成品，并且即使当一些部件出故障时，不容易识别问题并准确地确定哪个部件出故障。因此，当使用基于深度学习的AI进行部件故障诊断时，可以更准确且更快速地识别和修复故障部件。本公开涉及一种通过构建用于诊断发动机的异常状态的诊断模型诊断发动机的异常状态的方法，发动机是交通工具的核心部件。在下线(EOL)的条件下可以仅通过简单的状态检查对发动机的异常进行传统诊断，这是在发动机生产过程期间可以进行异常状态诊断的最后操作。即，如图1所示，当在发动机生产过程期间检查最终状态时，仅通过比较频率的等级诊断发动机的正常和异常使得不会针对发动机的异常状态进行合成诊断。传统地，如在附图中所示，由特定频率滤波器使用异常状态中的测试数据设置与振动分贝噪声等级和峰度等级相比较的参考值并且然后仅将参考值与振动分贝噪声级和峰度等级相比较。因此，当出现复合异常状态时，不能设置参考值。在发动机生产过程期间应该对发动机进行从正常到异常的分类。在未对异常进行分类并且然后在交通工具组装好之后被发现时，发动机应与交通工具分离。因此，在以上的过程中消耗工时(M/H)和成本，并且当组装了异常的发动机的交通工具交付给消费者时，不仅要消耗修理成本而且交通工具完整的形象被破坏。在以上的
技术介绍
中描述的内容是为了帮助理解本公开的背景，并且可包括本公开所属领域的技术人员先前所知的内容。
技术实现思路
本公开的实施方式涉及一种使用基于深度学习的人工智能(AI)诊断车用发动机的异常状态的方法。本公开的其它目的和优点可以通过以下描述理解，并且参考本公开的实施方式变得显而易见。另外，对于本公开内容所属领域中的技术人员显而易见的是，本公开内容的目标和优点可以通过要求保护的方法及其组合来实现。根据本公开的一种实施方式，一种诊断发动机状态的方法，包括：测量发动机的振动，其中，发动机的组装在发动机生产的自动化下线(EOL)工艺中完成；以及使用初级深度学习分类模型初步诊断在EOL工艺期间的发动机的振动，在初级深度学习分类模型中基于关于在发动机上的三个或以上的位置处测量的多个振动信号的大数据根据通过使用多种算法学习获得的特征对发动机的振动信号进行分类，其中，通过对发动机的振动进行初步诊断而将EOL工艺中的发动机的组装状态分类为正常状态或异常状态。测量EOL工艺中的发动机的振动可以包括在与初级深度学习分类模型的多个振动信号的测量位置相同的位置处测量振动。关于用于构建初级深度学习分类模型的多个振动信号的大数据可以包括针对根据加速或恒速驱动条件的正常信号和多种类型的异常振动信号的数据。多个振动信号中的每个振动信号可以包括在整个频率范围内的数据。更具体地，通过使用基于递归神经网络(RNN)(多对一)的分类算法、卷积神经网络(CNN)+注意机制算法以及DenseNet算法依次学习多个振动信号来构建初级深度学习分类模型。当EOL工艺中的发动机在初步诊断中被分类为异常时，诊断发动机状态的方法还可以包括使用二级深度学习诊断模型对EOL工艺中的发动机的振动进行二次诊断，在二级深度学习诊断模型中，基于关于多个振动信号的大数据根据异常情况确定诊断参考设置值。根据在二次诊断中诊断的异常情况对已修复的发动机重新进行在EOL工艺中的发动机的振动的测量。诊断发动机状态的方法还可以包括将诊断结果存储到中央服务器中，该诊断结果在初步诊断和二次诊断中获得；以及将存储在中央服务器中的数据和单独测量的用于发动机的振动数据包含在大数据中。更具体地，可以通过使用帧能量、基音、过零、基于峰度信号处理的精确诊断算法、二进制分类以及集成深度神经网络(DNN)/结果选择算法学习多个振动信号来构建二级深度学习诊断模型。根据本公开的另一实施方式，一种发动机状态的诊断建模方法，包括：收集关于发动机的振动信号的大数据；在发动机生产的自动化下线(EOL)工艺中的发动机上的三个或以上的位置处测量多个振动信号；基于大数据和多个振动信号分析数据并且提取有监督学习的特征；构建初级深度学习分类模型，在初级深度学习分类模型中，基于大数据根据通过使用多种算法学习而获得的特征对发动机的振动信号进行分类；以及构建二级深度学习诊断模型，在二级深度学习诊断模型中，基于大数据根据使用初级深度学习分类模型分类的异常情况确定诊断参考设置值。初级深度学习分类模型的分类准确度和二级深度学习诊断模型的诊断准确度中的每一个可以为99.9％或以上。当初级深度学习分类模型的分类准确度和二级深度学习诊断模型的诊断准确度小于99.9％时，重新进行分析数据并且提取有监督学习的特征。关于用于构建初级深度学习分类模型的多个振动信号的大数据可以包括针对根据加速或恒速驱动条件的正常信号和多种类型的异常振动信号的数据。多个振动信号中的每个振动信号可以包括整个频率范围内的数据。更具体地，通过使用基于递归神经网络(RNN)(多对一)的分类算法、卷积神经网络(CNN)+注意机制算法以及DenseNet算法依次学习多个振动信号来构建初级深度学习分类模型。通过使用帧能量、基音、过零、基于峰度信号处理的精确诊断算法、二进制分类以及集成深度神经网络(DNN)/结果选择算法学习多个振动信号来构建二级深度学习诊断模型。附图说明图1是示出诊断发动机的异常状态的常规方法的示图。图2和图3是示出了根据本公开的发动机状态的诊断方法及其诊断建模方法的示图。图4是示出多个振动信号测量系统的示图。图5A、图5B、图6A以及图6B是示出在正常和异常状态中的发动机的振动数据的示图。图7A、图7B以及图7C是示出根据初步诊断的分类方法的示图。图8A和图8B是示出二次诊断算法的示图。具体实施方式应参考示出本公开的示例性实施本文档来自技高网...

【技术保护点】
1.一种诊断发动机状态的方法，包括：/n测量发动机的振动，其中，所述发动机的组装在发动机生产的自动化下线工艺中完成；以及/n使用初级深度学习分类模型初步诊断在所述下线工艺期间的所述发动机的振动，在所述初级深度学习分类模型中，基于关于在所述发动机上的三个或以上的位置处测量的多个振动信号的大数据根据通过使用多种算法学习获得的特征对所述发动机的振动信号进行分类，/n其中，通过对所述发动机的振动进行初步诊断而将所述下线工艺中的发动机的组装状态分类为正常状态或异常状态。/n

【技术特征摘要】
20190614 KR 10-2019-00706951.一种诊断发动机状态的方法，包括：
测量发动机的振动，其中，所述发动机的组装在发动机生产的自动化下线工艺中完成；以及
使用初级深度学习分类模型初步诊断在所述下线工艺期间的所述发动机的振动，在所述初级深度学习分类模型中，基于关于在所述发动机上的三个或以上的位置处测量的多个振动信号的大数据根据通过使用多种算法学习获得的特征对所述发动机的振动信号进行分类，
其中，通过对所述发动机的振动进行初步诊断而将所述下线工艺中的发动机的组装状态分类为正常状态或异常状态。


2.根据权利要求1所述的方法，其中，测量所述下线工艺中的所述发动机的振动包括在与所述初级深度学习分类模型的多个振动信号的测量位置相同的位置处测量振动。


3.根据权利要求1所述的方法，其中，关于用于构建所述初级深度学习分类模型的所述多个振动信号的大数据包括关于根据加速或恒速驱动条件的正常信号和多种类型的异常振动信号的数据。


4.根据权利要求3所述的方法，其中，所述多个振动信号中的每个振动信号均包括在整个频率范围内的数据。


5.根据权利要求1所述的方法，其中，通过使用基于递归神经网络的分类算法、卷积神经网络+注意机制算法以及DenseNet算法依次学习所述多个振动信号来构建所述初级深度学习分类模型。


6.根据权利要求1所述的方法，还包括：
当所述下线工艺中的发动机在所述初步诊断中被分类为异常时，使用二级深度学习诊断模型对所述下线工艺中的发动机的振动进行二次诊断，在所述二级深度学习诊断模型中，基于关于所述多个振动信号的大数据根据异常情况确定诊断参考设置值。


7.根据权利要求6所述的方法，其中，根据在所述二次诊断中诊断的异常情况对已修复的发动机重新进行在所述下线工艺中的发动机的振动的测量。


8.根据权利要求6所述的方法，还包括：
将在所述初步诊断和所述二次诊断中获得的诊断结果存储到中央服务器中；以及
将存储在所述中央服务器中的数据和单独测量的用于所述发动机的...

【专利技术属性】
技术研发人员：郑仁秀，韩敏浩，李昇炫，李东喆，卢泳周，
申请(专利权)人：现代自动车株式会社，起亚自动车株式会社，
类型：发明
国别省市：韩国;KR