【技术实现步骤摘要】
汽车发动机失火诊断分析的方法、系统及计算机存储介质
[0001]本专利技术涉及汽车发动机的失火诊断
,特别是涉及一种汽车发动机失火诊断分析的方法、系统及计算机存储介质。
技术介绍
[0002]车载自动诊断系统(On Board Diagnostics,OBD)可用于对排放控制系统进行监测。当与排放相关的任何部件发生故障时,OBD系统的监测应显示出现了故障,将相应的故障代码存入车载电脑,并点亮故障指示器(MIL),车辆驾驶员能够通过一个标准的诊断系统识别故障代码。
[0003]而汽车发动机失火是OBD系统重要的监控项目之一。汽车发动机失火指的是由于点火、燃油计量、压缩不良等原因导致的气缸内缺少燃烧事件,发动机失火后,不仅会引起发动机运转的平稳性、动力性和经济性下降,更会因为燃料的不完全燃烧或根本没有燃烧而导致排放污染的增加。
[0004]在现有技术中,汽车发动机失火诊断依赖于大量的标定开发试验。一般在转鼓固定工况下,利用失火发生器,通过控制喷油点火来模拟不同的失火模式及失火率,OBD标定工程师根据经验,人为标定失火阈值使失火诊断满足误差要求。
[0005]现有的这种方法存在的不足之处在于,该方法对试验工况要求严格,依赖于工程师经验,人为标定的失火阈值无法覆盖实际全路况,往往导致误诊断或漏诊断等失效情况。故现有的监控手段依赖于整车开发标定数据质量,产品标定开发周期长,效率低,诊断质量鲁棒性差。
技术实现思路
[0006]本专利技术所要解决的技术问题在于,提供一种汽车发动机失火 ...
【技术保护点】
【技术特征摘要】
1.一种汽车发动机失火诊断分析的方法,其特征在于,包括如下步骤:步骤S10,周期性获得汽车发动机的转速、发动机扭矩、发动机曲轴转角信号,形成参数输入矩阵;步骤S11,将所述参数输入矩阵输入训练好的基于逻辑回归的失火诊断机器学习模型,获得诊断结果,所述诊断结果包括:失火已发生和失火未发生;所述失火诊断机器学习模型采用下述预测函数获得诊断结果:Y=g(z)=1/(1+e
‑
z
)z=θ
T
X=θ1x1+θ2x2+θ3x3其中,X为参数输入矩阵,X=[x1,x2,x3];θ为经过训练获得的最优参数矩阵,θ=[θ1,θ2,θ3];Y=1代表失火已发生,Y=0代表失火未发生;步骤S12,将所述诊断结果在仪表上进行显示,或发送给ECU控制模块。2.如权利要求1所述的方法,其特征在于,进一步包括步骤S00,预先训练形成失火诊断机器学习模型,所述步骤S00包括:步骤S01,对样车进行试验,获得不同工况下与失火相关的关联参数;所述关联参数至少包括:发动机转速、发动机扭矩、发动机曲轴转角信号以及失火发生器模拟信号;步骤S02,按时间序列,选择所采集的关联参数中的发动机的转速、发动机扭矩、发动机曲轴转角信号,形成参数输入矩阵X,同时根据失火发生器模拟信号形成输出结果矩阵Y,根据不同工况下所有时序序列的参数输入矩阵和输出结果矩阵形成训练集;步骤S03,构建如下的基于逻辑回归的失火诊断机器学习模型,其预测函数为:Y=g(z)=1/(1+e
‑
z
)z=θ
T
X=θ1x1+θ2x2+θ3x3其中,X为参数输入矩阵,X=[x1,x2,x3];θ为最优参数矩阵,θ=[θ1,θ2,θ3],预先对θ进行初步赋值;Y=1代表失火已发生,Y=0代表失火未发生;步骤S04,采用所述训练集对所述失火诊断机器学习模型进行训练,在达到迭代终止条件后,确定最优参数矩阵θ=[θ1,θ2,θ3]最终数值,从而获得训练好的基于逻辑回归的失火诊断机器学习模型。3.如权利要求2所述的方法,其特征在于,所述步骤S04中进一步包括:采用所述训练集对所述失火诊断机器学习模型进行训练,获得每一时序的参数输入矩阵的预测结果;根据计算获得的预测结果以及所采集的失火发生器模拟信号,建立失火混淆矩阵表;计算所述失火混淆阵表的指标值,并与预设的阈值进行比较,判断是否已达到迭代终止条件,在达到迭代终止条件后,将最优参数矩阵的当前值确定为最终数值;否则继续进行训练处理。4.如权利要求3所述的方法,其特征在于,所述失火混淆阵表的指标值为准确率、召回率、错检率中的至少两个,或者为准确率与召回率的加权平均值。5.一种汽车发动机失火诊断分析的系统,其特征在于,包括:参数输入矩阵获得单元,用于周期性获得汽车发动机的转速、发动机扭矩、发动机曲轴转角信号,形成参数输...
【专利技术属性】
技术研发人员:梁晓华,白振霄,苏庆鹏,
申请(专利权)人:广州汽车集团股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。