专利类型：发明专利
语 言：中文
申 请 号：CN201710994804.1
申 请 日：20171023
发 明 人：胡朝晖牟必清吴劲浩王旭吴映波胡林海纪晓梅王加男罗秀娟戴翔胡渝虹王林姚建丰刘民娜
申 请 人：重庆长安汽车股份有限公司重庆大学
申请人地址：400023 重庆市江北区建新东路260号
公 开 日：20180511
公 开 号：CN108022325A
代 理 人：王翔
代理机构：重庆大学专利中心 50201
摘 要：本发明提供了一种汽车发动机数据采集与故障隐患分析预警模型，主要包括以下步骤：1)实时采集怠速车辆的车况数据。2)对采集到的车况数据进行故障特征参数提取。3)分析故障特征参数的主成分。4)数据标准化。5)故障风险分析。本发明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。
主 权 项：一种汽车发动机数据采集与故障隐患分析预警模型，其特征在于，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、进气温度和发动机转速。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的长度，1≤i≤N；![]()
是时域信号xi的平均值；FRMS为利用公式(1)计算得出的均方根值；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的长度，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的长度，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的长度，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；k为任意离散时域信号的序号，0≤k≤N?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；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；F为频率点总数；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为频率分辨率，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；k为任意离散时域信号的序号，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；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，θ＝1,2,...,n；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，θ＝1,2,...,n；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；![]()
为ydu的算术平均值；![]()
为ydv的算术平均值；r为样本个数；整数d为任意样本，1≤d≤r；|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；其中，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(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；w为支持向量；Qij≡yiyjK(xi,xj)≡φ(xi)Tφ(xi)??????(32)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；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。
关 键 词：发生故障;故障特征参数;汽车发动机;车况数据;故障隐患;数据采集;预警模型;零部件;数据标准化;产品设计;风险分析;实时采集;分析;怠速;研发;发动机;直观;采集;检测;预防;改进
法律状态：
IPC专利分类号：G07C5/08(2006.01)I,G06K9/62(2006.01)I
