一种发动机中冷器故障预测方法、装置及存储介质制造方法及图纸

本申请涉及一种发动机中冷器故障预测方法、装置及存储介质，方法包括采集车辆的发动机数据，发动机数据包括增压压力、发动机转速、车速、发动机进气量、循环喷油量、中冷器前进气温度、中冷后进气温度以及中冷后混合进气压力；对采集到的发动机数据进行预处理，并将预处理后的数据划分为训练集和测试集；采用KPCA核主成分分析方法，计算成对样本之间的欧氏距离，构成核矩阵，然后中心化核矩阵，计算特征值和特征向量；构建梯度提升树算法模型，并利用训练集对梯度提升树算法模型进行训练，训练完成后得到中冷器故障预测模型；利用中冷器故障预测模型对输入的新发动机数据进行预测，得到中冷器的冷却效率预测值。中冷器的冷却效率预测值。中冷器的冷却效率预测值。

【技术实现步骤摘要】
一种发动机中冷器故障预测方法、装置及存储介质


[0001]本申请涉及发动机故障检测
，尤其涉及一种发动机中冷器故障预测方法、装置及存储介质。

技术介绍

[0002]中冷器是柴油机空气系统的重要部件，其性能的优劣直接影响柴油机的燃烧状态，并影响柴油机的经济性和动力性。试验表明，增压空气温度每降低10℃，柴油机功率可提高2％～3％。比如柴油机功率保持不变，可使燃油消耗率降低1.5％，并使最高燃烧温度下降20～30℃
[0003]排气温度也有较大幅度的降低。因此，对中冷器及时进行检测和故障诊断使其始终在良好的技术状态下工作，对保持柴油发动机良好的工作性能具有重要意义。
[0004]目前，中冷器故障检测仪器功能比较单一、适应性较差。对发动机的多个参数进行测量时就要设计多种测试仪器造成人力、物力的浪费。另外，要求仪器设计人员不但要有发动机方面的专业技术，而且还要具备良好的微机软、硬件方面的技能，才能在内燃机检测仪器开发中得心应手，这就限制了中冷器故障检测仪器的发展和提高，使其不能很好的检测在中冷器故障。

技术实现思路

[0005]为了解决上述
技术介绍
提到的技术问题或者至少部分地解决上述技术问题，本申请提供一种发动机中冷器故障预测方法、装置及存储介质。
[0006]第一方面，本申请提供了一种发动机中冷器故障预测方法，包括：
[0007]采集车辆的发动机数据，所述发动机数据包括增压压力、发动机转速、车速、发动机进气量、循环喷油量、中冷器前进气温度、中冷后进气温度以及中冷后混合进气压力；
[0008]对采集到的所述发动机数据进行预处理，并将预处理后的数据划分为训练集和测试集；
[0009]对预处理后的数据采用KPCA核主成分分析方法，计算成对样本之间的欧氏距离，构成核矩阵，然后中心化核矩阵，计算特征值和特征向量，并根据特征值大小，筛选得到若干个目标特征向量；
[0010]构建梯度提升树算法模型，并利用所述训练集对所述梯度提升树算法模型进行训练，训练完成后得到中冷器故障预测模型；
[0011]利用所述中冷器故障预测模型对输入的新发动机数据进行预测，得到中冷器的冷却效率预测值。
[0012]在此方案中，构建梯度提升树算法模型，并利用所述训练集对所述梯度提升树算法模型进行训练，梯度提升树算法模型将上一次的预测结果带入梯度中求出本轮的训练数据。
[0013]可选的，所述对采集到的所述发动机数据进行预处理，具体包括：
[0014]将所述发动机数据按时间先后进行排序；
[0015]使用isnan函数确定所述发动机数据中是否含有空值，并删除含有空值的发动机数据；
[0016]采用数据归一化函数进行归一化处理；
[0017]选取预设工况下的发动机数据。
[0018]可选的，所述发动机中冷器故障预测方法还包括：对所述特征值和所述特征向量再次利用KPCA主成分分析方法进行二次筛选。
[0019]在此方案中，对所述特征值和所述特征向量再次利用KPCA主成分分析方法进行二次筛选，这样就让数据的输入字段与目标预测的关联度更高。
[0020]可选的，所述构建梯度提升树算法模型，具体包括：
[0021]构建损失函数，所述损失函数为最小均方误差，所述损失函数的定义域为所有可行的基函数；
[0022]迭代的利用所述损失函数的负梯度在前项模型的值作为当前提升树算法中残差的近似值，来拟合回归树，目标是最小化均方误差。
[0023]在此方案中，随着误差损失值的降低，不断拟合回归树。
[0024]第二方面，本申请还提供了一种发动机中冷器故障预测装置，包括：
[0025]存储器，用于存储程序指令；
[0026]处理器，用于调用所述存储器中存储的所述程序指令以实现如第一方面中任一技术方案所述的发动机中冷器故障预测方法。
[0027]第三方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有程序代码，所述程序代码用于实现如第一方面中任一技术方案所述的发动机中冷器故障预测方法。
[0028]本申请实施例提供的上述技术方案与现有技术相比具有如下优点：该方法，通过将实时的发动机故障监控转化为基于机器学习算法的预测，用机器学习的算法模型能够提前通知驾驶员和服务站车辆的中冷器状况，以判断是否出现故障。当驾驶员看到预测的车辆的冷却效率超过了某个标准正常的冷却效率阈值，而且持续超过这个阈值，就可以提前在方便的时候对车辆检测维修，防止车辆在高速行驶过程中由于中冷器故障而发生的发动机故障。
附图说明
[0029]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。
[0030]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0031]图1为本申请实施例提供的一种发动机中冷器故障预测方法的流程示意图；
[0032]图2为发动机中冷器故障预测装置的结构示意图。
具体实施方式
[0033]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0034]为了便于理解，下面对本申请实施例提供的一种发动机中冷器故障预测方法进行详细介绍，参见图1，一种发动机中冷器故障预测方法，包括以下步骤：
[0035]步骤S1，采集车辆的发动机数据，所述发动机数据包括增压压力、发动机转速、车速、发动机进气量、循环喷油量、中冷器前进气温度、中冷后进气温度以及中冷后混合进气压力；
[0036]步骤S2，对采集到的所述发动机数据进行预处理，并将预处理后的数据划分为训练集和测试集；
[0037]步骤S3，对预处理后的数据采用KPCA核主成分分析方法，计算成对样本之间的欧氏距离，构成核矩阵，然后中心化核矩阵，计算特征值和特征向量，根据特征值大小，筛选得到若干个目标特征向量；
[0038]步骤S4，构建梯度提升树算法模型，并利用所述训练集对所述梯度提升树算法模型进行训练，训练完成后得到中冷器故障预测模型；
[0039]步骤S5，利用所述中冷器故障预测模型对输入的新发动机数据进行预测，得到中冷器的冷却效率预测值。
[0040]在本申请的一些具体实施例中，所述对采集到的所述发动机数据进行预处理，具体包括：
[0041]将所述发动机数据按时间先后进行排序；
[0042]使用isnan函数确定所述发动机数据中是否含有空值，并删除含有空值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种发动机中冷器故障预测方法，其特征在于，包括：采集车辆的发动机数据，所述发动机数据包括增压压力、发动机转速、车速、发动机进气量、循环喷油量、中冷器前进气温度、中冷后进气温度以及中冷后混合进气压力；对采集到的所述发动机数据进行预处理，并将预处理后的数据划分为训练集和测试集；对预处理后的数据进行采用KPCA主成分分析方法，计算成对样本之间的欧氏距离，构成核矩阵，然后中心化核矩阵，计算特征值和特征向量，并根据特征值大小，筛选得到若干个目标特征向量；构建梯度提升树算法模型，并利用所述训练集对所述梯度提升树算法模型进行训练，训练完成后得到中冷器故障预测模型；利用所述中冷器故障预测模型对输入的新发动机数据进行预测，得到中冷器的冷却效率预测值。2.根据权利要求1所述的发动机中冷器故障预测方法，其特征在于，所述对采集到的所述发动机数据进行预处理，具体包括：将所述发动机数据按时间先后进行排序；使用isnan函数确定所述发动机数据中是否含有空值，并删除含有空值的发...

【专利技术属性】
技术研发人员：闫方超，李正涛，任进，
申请(专利权)人：天津布尔科技有限公司，
类型：发明
国别省市：