【技术实现步骤摘要】
本专利技术涉及汽车故障诊断领域，特别涉及一种egr低流量故障诊断特征选择方法、装置及介质。
技术介绍
1、egr(exhaust gas recirculation)废弃再循环系统就是指发动机经过燃烧做功后排除的废气重新到进气歧管与新鲜混合气一起再次进入气缸燃烧。由于废气中含有大量二氧化碳稀释了原来混合气中的氧浓度使燃烧速度变缓，并且二氧化碳不能燃烧从而吸收热使气缸的最高燃烧温度降低，减少氮氧化物的排放量达到降低污染的作用。
2、随着近些年混动配置的引入，对传统egr流量诊断方案提出了挑战。尤其是某些混动配置因为考虑了三电冷却需求，冷却能力很强，不利于egr废气对egr温度传感器加温，使得原有基于温升的egr低流量诊断方法失效。
技术实现思路
1、本专利技术公开了一种egr低流量故障诊断特征选择方法、装置及介质，它可以提高egr低流量诊断的准确性。
2、为达到上述目的，一方面，提供egr低流量故障诊断特征选择方法，具体方法如下：
3、获取多个周期每种inca测量变量信号与egr阀开度信号的故障特征和无故障特征；
4、根据多个周期的故障特征和无故障特征选取具有区分度的inca测量变量信号；
5、在具有区分度的inca测量变量信号中，筛选出与空气系统相关的变量；
6、计算每种筛选后inca测量变量信号的排列指标，根据排列指标对inca测量变量信号重要性排序。
7、进一步地，获取多个周期每种inca测量变
8、在故障和无故障情况下，分别获取egr阀开度信号和每种inca测量变量信号；
9、在故障和无故障情况下，分别计算每种inca测量变量信号与egr阀开度信号的相关性，作为每个周期inca测量变量信号与egr阀开度信号的故障特征和无故障特征。
10、可选地，计算每种inca测量变量信号与egr阀开度信号的相关性，采用动态时间规整算法。
11、作为优选，计算每种inca测量变量信号与egr阀开度信号的相关性，采用皮尔逊相关性计算，具体方法如下：
12、将每个周期均划分为若干等长时段，在每个周期中选取任意时段egr阀开度信号作为标定对比信号；
13、在每个时段，均计算每种测量变量信号与标定对比信号的皮尔逊指数；
14、选取最大皮尔逊指数对应时段作为该周期中每种inca测量变量信号与egr阀开度信号的相关度，并为每个相关度标记对应相关延迟；
15、以每个周期的每种inca测量变量信号与egr阀开度信号的相关度和对应相关延迟，构建该周期中每种inca测量变量信号与egr阀开度信号的故障特征和无故障特征。
16、可选地，根据多个周期的故障特征和无故障特征选取具有区分度的inca测量变量信号，具体方法如下：
17、采用kl散度计算多个周期中每种inca测量变量信号的故障特征和无故障特征的分布距离；
18、分布距离超过阈值，则判断该inca测量变量信号为具有区分度的inca测量变量信号。
19、作为优选，根据多个周期的故障特征和无故障特征选取具有区分度的inca测量变量信号，具体方法如下：
20、分别求取多个周期中每种inca测量变量信号的故障特征平均值和无故障特征平均值；
21、若某inca测量变量信号的故障特征平均值与无故障特征平均值的差的绝对值超过阈值，则判断该inca测量变量信号为具有区分度的inca测量变量信号。
22、进一步地，与空气系统相关的变量包括根据以下任意一项或多项参数计算得到的inca测量变量信号：
23、egr阀阀前压力、阀后压力；
24、egr阀阀前温度、阀后温度；
25、混合阀阀前压力、阀后压力；
26、节气门流量、阀前压力、阀后压力。
27、作为优选，计算每种筛选后inca测量变量信号的排列指标，具体方法如下：
28、以筛选后的inca测量变量信号所对应的特征训练基于机器学习的故障诊断模型；
29、对每一个inca测量变量信号所对应的特征在数据集中进行随机排列，由训练好的故障诊断模型重新诊断；
30、计算每个inca测量变量信号所对应的特征经故障诊断模型重新诊断后的f1分数；
31、以每个inca测量变量信号所对应的特征的f1下降分数的均值作为该inca测量变量信号的重要性排列指标。
32、可选地，所述故障诊断模型包括：
33、决策树、随机森林、梯度提升机、逻辑回归或支持向量机。
34、进一步地，当故障诊断模型为决策树、随机森林或梯度提升机时，计算每种筛选后inca测量变量信号的排列指标，具体方法如下：
35、以筛选后的inca测量变量信号所对应的特征训练基于机器学习的故障诊断模型；
36、对每一个inca测量变量信号所对应的特征在数据集中进行随机排列，由训练好的故障诊断模型重新诊断；
37、以故障诊断模型中各测量变量信号对应的特征在分裂节点上减少的不纯度作为inca测量变量信号的重要性排列指标。
38、为达到上述目的，另一方面，提供一种egr低流量故障诊断特征选择装置，包括：变量特征获取模块、区分度变量选取模块、相关变量筛选模块和重要性排序模块。
39、所述变量特征获取模块，获取多个周期每种inca测量变量信号与egr阀开度信号的故障特征和无故障特征；
40、所述区分度变量选取模块，根据多个周期的故障特征和无故障特征选取具有区分度的inca测量变量信号；
41、所述相关变量筛选模块，在具有区分度的inca测量变量信号中，筛选出与空气系统相关的变量；
42、所述重要性排序模块，计算每种筛选后inca测量变量信号的排列指标，根据排列指标对inca测量变量信号重要性排序。
43、为达到上述目的，另一方面，提供一种存储介质，存储有若干指令，处理器加载若干指令以执行权利要求1至10任意一项所述egr低流量故障诊断特征选择方法。
44、由于采用以上技术方案，本专利技术具有以下有益效果：
45、1、本专利技术通过数据驱动的方法快速找出与egr阀开度最相关的变量以及在故障和非故障情况下分布发生变化的变量。
46、2、变量重要性排序为工程师提供基于机器学习算法的变量推荐，从数据驱动角度为工程师提供标定量推荐和思路。
47、3、采用推荐变量，可显著提高egr低流量诊断的准确性。
48、需要说明的是，在本文中采用的“第一”、“第二”等类似的语汇，仅仅是为了描述技术方案中的各组成要素，并不构成对技术方案的限定，也不能理解为对相应要素重要性的指示或暗示；带有“第一”、“第二”等类似语汇的要素，表示在对本文档来自技高网...
【技术保护点】
1.一种EGR低流量故障诊断特征选择方法，其特征在于，具体方法如下：
2.如权利要求1所述的EGR低流量故障诊断特征选择方法，其特征在于，获取多个周期每种INCA测量变量信号与EGR阀开度信号的故障特征和无故障特征，对于每个周期具体方法如下：
3.如权利要求2所述的EGR低流量故障诊断特征选择方法，其特征在于，计算每种INCA测量变量信号与EGR阀开度信号的相关性，采用动态时间规整算法。
4.如权利要求2所述的EGR低流量故障诊断特征选择方法，其特征在于，计算每种INCA测量变量信号与EGR阀开度信号的相关性，采用皮尔逊相关性计算，具体方法如下：
5.如权利要求1所述的EGR低流量故障诊断特征选择方法，其特征在于，根据多个周期的故障特征和无故障特征选取具有区分度的INCA测量变量信号，具体方法如下：
6.如权利要求1所述的EGR低流量故障诊断特征选择方法，其特征在于，根据多个周期的故障特征和无故障特征选取具有区分度的INCA测量变量信号，具体方法如下：
7.如权利要求1所述的EGR低流量故障诊断特征选择方法，
8.如权利要求1所述的EGR低流量故障诊断特征选择方法，其特征在于，计算每种筛选后INCA测量变量信号的排列指标，具体方法如下：
9.如权利要求1所述的EGR低流量故障诊断特征选择方法，其特征在于，所述故障诊断模型包括：
10.如权利要求9所述的EGR低流量故障诊断特征选择方法，其特征在于，当故障诊断模型为决策树、随机森林或梯度提升机时，计算每种筛选后INCA测量变量信号的排列指标，具体方法如下：
11.一种EGR低流量故障诊断特征选择装置，其特征在于：包括：变量特征获取模块、区分度变量选取模块、相关变量筛选模块和重要性排序模块。
12.一种存储介质，其特征在于，存储有若干指令，处理器加载若干指令以执行权利要求1至10任意一项所述EGR低流量故障诊断特征选择方法。
...【技术特征摘要】
1.一种egr低流量故障诊断特征选择方法，其特征在于，具体方法如下：
2.如权利要求1所述的egr低流量故障诊断特征选择方法，其特征在于，获取多个周期每种inca测量变量信号与egr阀开度信号的故障特征和无故障特征，对于每个周期具体方法如下：
3.如权利要求2所述的egr低流量故障诊断特征选择方法，其特征在于，计算每种inca测量变量信号与egr阀开度信号的相关性，采用动态时间规整算法。
4.如权利要求2所述的egr低流量故障诊断特征选择方法，其特征在于，计算每种inca测量变量信号与egr阀开度信号的相关性，采用皮尔逊相关性计算，具体方法如下：
5.如权利要求1所述的egr低流量故障诊断特征选择方法，其特征在于，根据多个周期的故障特征和无故障特征选取具有区分度的inca测量变量信号，具体方法如下：
6.如权利要求1所述的egr低流量故障诊断特征选择方法，其特征在于，根据多个周期的故障特征和无故障特征选取具有区分度的inca测量变量信号，具...
【专利技术属性】
技术研发人员：马笑峰，陆唯佳，苏才森，刘子诚，张微微，刘创，方强，底翔，孙飞，
申请(专利权)人：联合汽车电子有限公司，
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。