一种大数据分析模型预测发动机性能的方法技术

本发明专利技术公开了一种大数据分析模型预测发动机性能的方法，主要步骤为：1)确定输入数据。2)建立发动机性能指标预测模型和发动机性能分类检测模型。3)对所有回归算法的自学习参数进行训练。4)将测试样本矩阵C输入到调整自学习参数后的发动机性能指标预测模型和发动机性能分类检测模型中，得到每种回归算法的预测误差率。5)将所述待检测发动机的输入数据输入到发动机性能指标预测模型中，从而输出待检测发动机在不同工况下的转速预测结果。本发明专利技术对发动机生产过程中产生的过程检测数据和质量检测数据进行发动机性能预测，实现了发动机性能情况的自动预测，在节省人力成本和发动机损耗成本的同时，也保证了发动机下线质量性能的可靠性。

A Method for Predicting Engine Performance Based on Large Data Analysis Model

【技术实现步骤摘要】
一种大数据分析模型预测发动机性能的方法
本专利技术涉及发动机性能预测的
，具体是一种大数据分析模型预测发动机性能的方法。
技术介绍
目前大部分汽车公司发动机生产线存在工艺经验不清晰，工程师利用直觉和经验无法难以对理想结果作正确的解释；出厂性能不稳定，发动机在不同转速下扭矩一致性较差，发动机性能不可控的问题。另外，目前各汽车公司使用从每批次发动机抽取一定数目的发动机在工作温度达到正常后,使发动机在不同的转速下运转测试各项性能参数的方法，实现对发动机出厂性能的把控。此方法存在资金耗费大，消耗时间长等资源消耗及排放污染严重的问题，以及检验覆盖面不全的缺点。
技术实现思路
本专利技术的目的是解决现有技术中存在的问题。为实现本专利技术目的而采用的技术方案是这样的，一种大数据分析模型预测发动机性能的方法，主要包括以下步骤：1)确定输入数据,并将输入数据保存在MES数据库中。进一步，所述输入数据为发动机的原始过程数据和原始质量数据。所述原始过程数据由粘贴在发动机上的传感器采集得到。所述原始过程数据主要包括基本数据和拧紧数据。所述基本数据主要包括连杆瓦检测数据、平面度检测数据、间隙检测数据和压力检测数据。所述拧紧数据主要包括发动机螺栓拧紧扭矩、拧紧转动角度和发动机螺栓拧紧扭矩与拧紧转动角度的比值。所述原始质量数据主要包括冷试数据和泄漏检测数据。2)将所述输入数据进行分类，分类后的输入数据按照时间先后进行顺序排列。对排序后的输入数据进行处理，得到初步检测数据。进一步，对排序后的输入数据进行处理，得到初步检测数据的方法为：每一类输入数据只保留最后一个数据，删除其余数据。进一步，对输入数据进行分类的主要步骤如下：2.1)按照发动机型号对输入数据进行第一次分类。其中，具有相同发动机型号的输入数据归为一类。2.2)对具有相同发电机型号的输入数据进行第二次分类。其中，具有相同发动机编号的输入数据归为一类。2.3)对具有相同发动机编号的输入数据进行第三次分类。其中，属于相同检测项目类别的输入数据归为一类。3)对所述初步检测数据进行筛选，得到筛选后的初步检测数据矩阵P'。初步检测数据矩阵P'如下所示：式中，P'MN为初步检测数据矩阵P'中元素。进一步，对所述初步处理数据进行筛选的主要步骤如下：3.1)建立初步检测数据矩阵P，其中矩阵P的列下标为数据类别序号。行下标为发动机编号。所有数据类别序号组成数据类别列表。3.2)删除矩阵P中缺失元素超过70％的列，并在数据类别列表中删除对应的序号。3.3)针对矩阵P中缺失元素未超过70％的列，利用均值插值法补齐缺损元素，从而得到筛选后的初步检测数据矩阵P'。4)随机提取初步检测数据矩阵P'中的a个元素构成无标签训练样本矩阵A。随机提取初步检测数据矩阵P'中的d个元素构成有标签训练样本矩阵B。随机提取初步检测数据矩阵P'中的c个元素构成测试样本矩阵C。进一步，无标签训练样本矩阵A、有标签训练样本矩阵B和测试样本矩阵C中的元素互不相同。且，无标签训练样本矩阵A、有标签训练样本矩阵B和测试样本矩阵C的元素总数满足下式：a+d+c≤M*N。(2)式中，a为有标签训练样本矩阵A的元素总数。d为有标签训练样本矩阵B的元素总数。c为测试样本矩阵C的元素总数。M为初步检测数据矩阵P'的行数。N为初步检测数据矩阵P'的列数。5)对无标签训练样本矩阵A依次进行白化预处理和正则化处理，得到降维后的无标签训练样本矩阵A'。6)将降维后的无标签训练样本矩阵A'输入到稀疏自编码器中，对稀疏自编码器进行训练，从而调整稀疏自编码器参数，得到调整后的稀疏自编码器。训练稀疏自编码器的主要步骤如下：6.1)构建稀疏自编码器。其中，稀疏自编码器的隐含层层数记为u。每层隐含层的节点个数记为v。稀疏自编码器的稀疏性参数记为α。稀疏自编码器的权重衰减参数记为λ。稀疏自编码器控制稀疏性惩罚因子的权重记为β。6.2)稀疏自编码器的假设函数记为hW,b(xi)。其中，W为稀疏自编码器的权重。b为稀疏自编码器的偏置。xi为训练样本，即无标签训练样本矩阵A中的第i个元素。i为元素xi在无标签训练样本矩阵A中序号。6.3)记训练样本xi的隐含层中第j个节点的输出为训练样本xi的隐含层中节点个数等于稀疏自编码器的隐含层节点个数。6.4)计算训练样本ai的隐含层中所有节点输出值的平均值平均值如下所示：式中，a为训练样本总数。为训练样本xi的隐含层中第j个节点的输出。6.5)计算训练样本xi的隐含层中第j个节点的输出为和训练样本ai的隐含层中所有节点输出平均值之间的距离距离如下所示：式中，为训练样本xi的隐含层中第j个节点的输出。为训练样本ai的隐含层中所有节点输出的平均值。6.6)确定稀疏自编码器的目标函数J(W，b)。目标函数J(W，b)如下所示：式中，为重构项。为权重衰减项。为稀疏自编码器控制稀疏性惩罚因子。hW,b(xi)为稀疏自编码器的假设函数。6.7)利用反向传播算法，计算目标函数J(W，b)的最小权重Wmin和最小偏置bmin。将最小权重Wmin和最小偏置bmin带入到假设函数hW,b(xi)中，得到目标假设函数，从而得到稀疏自编码器的目标函数J(W，b)，完成稀疏自编码器的训练。7)将有标签训练样本矩阵B的非标签数据输入到调整后的稀疏自编码器中，提取有标签训练样本矩阵B中非标签数据的数据特征。8)利用稀疏自编码器、拟牛顿法和回归算法建立发动机性能指标预测模型。利用白化降维算法和分类算法建立发动机性能分类检测模型。9)将步骤7得到的非标签数据的数据特征和有标签训练样本矩阵B中的有标签数据传入到发动机性能指标预测模型的回归算法和发动机性能分类检测模型的回归算法中，对所有回归算法的自学习参数进行训练。发动机性能预测模型和发动机性能分类检测模型的回归算法主要包括SVM回归算法、线性回归算法、非线性回归算法、高斯过程回归算法和/或集成回归算法。10)将测试样本矩阵C输入到调整自学习参数后的发动机性能指标预测模型和发动机性能分类检测模型中，得到每种回归算法的预测误差率，并根据预测误差率调整发动机性能指标预测模型和发动机性能分类检测模型的可选择参数。所述可选择参数主要包括回归算法的参数和分类算法的参数。11)实时获取待检测发动机的输入数据。将所述待检测发动机的输入数据输入到发动机性能指标预测模型中，从而输出待检测发动机在不同工况下的转速预测结果。所述工况主要包括启动、高速和怠速。将所述待检测发动机的输入数据输入到发动机性能分类检测模型中，从而输出发动机转速是否合格的结果。其中，0为不合格，1为合格。本专利技术的技术效果是毋庸置疑的。本专利技术利用大数据分析技术对发动机生产过程中产生的过程检测数据和质量检测数据进行发动机性能预测，可实现发动机性能情况的自动预测，在节省人力成本和发动机损耗成本的同时，保证发动机下线质量性能的可靠性，并且，可以根据得到的预测结果，进一步采取措施提高发动机下线的一致性。附图说明图1为大数据分析发动机相关性能模型建立流程图；具体实施方式下面结合实施例对本专利技术作进一步说明，但不应该理解为本专利技术上述主题范围仅限于下述实施例。在不脱离本专利技术上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本专利技术的保护范围本文档来自技高网...

【技术保护点】
1.一种大数据分析模型预测发动机性能的方法，其特征在于，主要包括以下步骤：1)确定所述输入数据,并将输入数据保存在MES数据库中。2)将所述输入数据进行分类，分类后的输入数据按照时间先后进行顺序排列；对排序后的输入数据进行处理，得到初步检测数据；3)对所述初步检测数据进行筛选，得到筛选后的初步检测数据矩阵P'；初步检测数据矩阵P'如下所示：

【技术特征摘要】
1.一种大数据分析模型预测发动机性能的方法，其特征在于，主要包括以下步骤：1)确定所述输入数据,并将输入数据保存在MES数据库中。2)将所述输入数据进行分类，分类后的输入数据按照时间先后进行顺序排列；对排序后的输入数据进行处理，得到初步检测数据；3)对所述初步检测数据进行筛选，得到筛选后的初步检测数据矩阵P'；初步检测数据矩阵P'如下所示：式中，P'MN为初步检测数据矩阵P'中元素；4)随机提取初步检测数据矩阵P'中的a个元素构成无标签训练样本矩阵A；随机提取初步检测数据矩阵P'中的d个元素构成有标签训练样本矩阵B；随机提取初步检测数据矩阵P'中的c个元素构成测试样本矩阵C；5)对无标签训练样本矩阵A依次进行白化预处理和正则化处理，得到降维后的无标签训练样本矩阵A'；6)将降维后的无标签训练样本矩阵A'输入到稀疏自编码器中，对稀疏自编码器进行训练，从而调整稀疏自编码器参数，得到调整后的稀疏自编码器；7)将有标签训练样本矩阵B的非标签数据输入到调整后的稀疏自编码器中，提取有标签训练样本矩阵B中非标签数据的数据特征；8)利用稀疏自编码器、拟牛顿法和回归算法建立发动机性能指标预测模型；利用白化降维算法和分类算法建立发动机性能分类检测模型；9)将步骤7得到的非标签数据的数据特征和有标签训练样本矩阵B中的有标签数据输入到发动机性能指标预测模型的回归算法和发动机性能分类检测模型的回归算法中，对所有回归算法的自学习参数进行训练；10)将测试样本矩阵C输入到调整自学习参数后的发动机性能指标预测模型和发动机性能分类检测模型中，得到每种回归算法的预测误差率，并根据预测误差率调整发动机性能指标预测模型和发动机性能分类检测模型的可选择参数；所述可选择参数主要包括回归算法的参数和分类算法的参数；11)实时获取待检测发动机的输入数据；将所述待检测发动机的输入数据输入到发动机性能指标预测模型中，从而输出待检测发动机在不同工况下的转速预测结果；所述工况主要包括启动、高速和怠速；将所述待检测发动机的输入数据输入到发动机性能分类检测模型中，从而输出发动机转速是否合格的结果；其中，0为不合格，1为合格。2.根据权利要求1所述的一种大数据分析模型预测发动机性能的方法，其特征在于：所述输入数据为发动机的原始过程数据和原始质量数据；所述原始过程数据由贴置在发动机上的传感器采集得到；所述原始过程数据主要包括基本数据和拧紧数据；所述原始质量数据主要包括冷试数据和泄漏检测数据。3.根据权利要求1或2所述的一种大数据分析模型预测发动机性能的方法，其特征在于：所述基本数据主要包括连杆瓦检测数据、平面度检测数据、间隙检测数据和压力检测数据；所述拧紧数据主要包括发动机螺栓拧紧扭矩、拧紧转动角度和发动机螺栓拧紧扭矩与拧紧转动角度的比值。4.根据权利要求1或2所述的一种大数据分析模型预测发动机性能的方法，其特征在于：无标签训练样本矩阵A、有标签训练样本矩阵B和测试样本矩阵C中的元素互不相同；且，无标签训练样本矩阵A、有标签训练样本矩阵B和测试样本矩阵C的元素总数满足下式：a+d+c≤M*N；(2)式中，a为有标签训练样本矩阵A的元素总数；d为有标签训练样本矩阵B的元素总数；c为测...

【专利技术属性】
技术研发人员：刘礼，王丹妮，王姝，廖军，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆,50