一种发动机信息处理方法、装置及设备制造方法及图纸

本发明专利技术提供一种发动机信息处理方法、装置及设备，方法包括：根据发动机的当前样本数据，获得第一特征数据集；通过目标预测模型接收所述第一特征数据集，对所述第一特征数据集进行处理后输出所述发动机的指标信息的预测结果，所述目标预测模型是根据发动机的历史样本数据以及分类置信度确定的目标样本进行训练得到的。本发明专利技术的方案实现了发动机质量的有效预测。测。测。

【技术实现步骤摘要】
一种发动机信息处理方法、装置及设备


[0001]本专利技术涉及信息处理
，特别是指一种发动机信息处理方法、装置 及设备。

技术介绍

[0002]随着发动机产业规模不断增大以及发动机企业信息化和智能化技术的不 断革新，市场对发动机质量的要求进一步提高。发动机作为汽车的核心部件之 一，其性能好坏对整车质量有着决定性作用，而功率作为发动机重要动力性能 指标之一，是衡量发动机质量的重要指标，有效的预测发动机功率并提高发动 机功率一致性意义重大。
[0003]现有技术中，发动机不合格品数量较少、样本分布不平衡，无法准确预测 发动机质量。

技术实现思路

[0004]本专利技术要解决的技术问题是如何提供一种发动机信息处理方法、装置及设 备。实现了发动机质量的有效预测。
[0005]为解决上述技术问题，本专利技术的技术方案如下：
[0006]一种发动机信息处理方法，包括：
[0007]根据发动机的当前样本数据，获得第一特征数据集；
[0008]通过目标预测模型接收所述第一特征数据集，对所述第一特征数据集进行 处理后输出所述发动机的指标信息的预测结果，所述目标预测模型是根据发动 机的历史样本数据以及分类置信度确定的目标样本进行训练得到的。
[0009]可选的，根据发动机的历史样本数据以及分类置信度确定的目标样本进行 训练，包括：
[0010]获得历史样本数据；
[0011]对所述历史样本数据进行预处理，获得第二预处理结果；
[0012]根据所述第二预处理结果，获得第二特征数据集；
[0013]确定分类置信度δ；
[0014]根据所述分类置信度δ，从所述第二特征数据集中选择至少两个第一样本；
[0015]将所述至少两个第一样本合成所述目标样本；
[0016]根据所述目标样本进行训练。
[0017]可选的，对所述至少两个第一样本合成所述目标样本，包括：
[0018]根据N＝[r
max
/r
i
]对所述至少两个第一样本合成所述目标样本；
[0019]其中，r
max
为数量最多的一类第一样本的总样本数量，r
i
为当前样本类别 的样本总数量，方括号代表取整函数，N表示所述目标样本的数量。
[0020]可选的，根据所述目标样本进行训练，包括：
[0021]通过对M个第一样本的学习，得到第一个弱分类器，M为正整数；
[0022]将所述目标样本加入到下一轮训练，得到第二个弱分类器，并选择出无法 分类的目标样本，动态合成第二样本；
[0023]根据所述第二样本，经过预设迭代次数进行训练，形成强分类器。
[0024]可选的，根据发动机的当前样本数据，获得第一特征数据集，包括：
[0025]获得发动机的当前样本数据；
[0026]对所述当前样本数据进行预处理，获得第一预处理结果；
[0027]根据所述第一预处理结果，获得第一特征数据集。
[0028]可选的，根据所述第一预处理结果，获得第一特征数据集，包括：
[0029]获得所述第一预处理结果中发动机的参数间的最大信息系数；
[0030]根据所述最大信息系数，构建邻接矩阵G
obs
；
[0031]对所述邻接矩阵G
obs
进行网络去卷积操作，获得直接关联邻接矩阵；
[0032]根据所述直接关联邻接矩阵，获得所述第一特征数据集。
[0033]可选的，获得所述第一预处理结果中发动机的参数间的最大信息系数，包 括：
[0034]根据随机变量x、y的互信息，获得最大信息系数。
[0035]可选的，根据所述直接关联邻接矩阵，获得所述第一特征数据集，包括：
[0036]对所述直接关联邻接矩阵中数据元素，与预设阈值进行比较，获得与所述 发动机的功能相关性大于一预设值的特征数据，所述特征数据形成所述第一特 征数据集。
[0037]本专利技术的实施例还提供一种发动机信息处理装置，包括：
[0038]获得模块，用于根据发动机的当前样本数据，获得第一特征数据集；
[0039]处理模块，用于通过目标预测模型接收所述第一特征数据集，对所述第一 特征数据集进行处理后输出发动机的指标信息的预测结果，所述目标预测模型 是根据发动机的历史样本数据以及分类置信度确定的目标样本进行训练得到 的。
[0040]本专利技术的实施例还提供一种发动机信息处理设备，包括：处理器、存储有 计算机程序的存储器，所述计算机程序被处理器运行时，执行如上所述的方法。
[0041]本专利技术的实施例还提供一种计算机可读存储介质，存储指令，当所述指令 在计算机上运行时，使得计算机执行如上所述的方法。
[0042]本专利技术的上述方案至少包括以下有益效果：
[0043]通过根据发动机的当前样本数据，获得第一特征数据集；通过目标预测模 型接收所述第一特征数据集，对所述第一特征数据集进行处理后输出发动机的 指标信息的预测结果，所述目标预测模型是根据发动机的历史样本数据以及分 类置信度确定的目标样本进行训练得到的，使得发动机的指标信息的预测是基 于目标预测模型的预测，由于所述目标预测模型是根据历史样本数据以及分类 置信度确定的目标样本进行训练得到的，从而使得对发动机的指标信息的预测 更加准确和有效。
附图说明
[0044]图1是本专利技术实施例的发动机信息处理方法的流程示意图；
[0045]图2是本专利技术实施例的直接关联网络与于观测到的关联网络演化示意图；
[0046]图3是本专利技术实施例的发动机的指标信息的预测的具体流程示意图；
[0047]图4是本专利技术实施例的发动机的目标预测模型的训练过程示意图；
[0048]图5是本专利技术实施例的发动机的指标信息的预测结果的实例示意图；
[0049]图6是本专利技术实施例的发动机信息处理装置的示意图。
具体实施方式
[0050]下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了 本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被 这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本 公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
[0051]如图1所示，本专利技术的实施例提供一种发动机信息处理方法，包括：
[0052]步骤11，根据发动机的当前样本数据，获得第一特征数据集；
[0053]步骤12，通过目标预测模型接收所述第一特征数据集，对所述第一特征 数据集进行处理后输出发动机的指标信息的预测结果，所述目标预测模型是根 据发动机的历史样本数据以及分类置信度确定的目标样本进行训练得到的。
[0054]本专利技术的该实施例中，目标预测模型可以是DySBoost模型，该模型根据 历史样本数据以及分类置信度确定目标样本，并根本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种发动机信息处理方法，其特征在于，包括：根据发动机的当前样本数据，获得第一特征数据集；通过目标预测模型接收所述第一特征数据集，对所述第一特征数据集进行处理后输出所述发动机的指标信息的预测结果，所述目标预测模型是根据发动机的历史样本数据以及分类置信度确定的目标样本进行训练得到的。2.根据权利要求1所述的发动机信息处理方法，其特征在于，根据发动机的历史样本数据以及分类置信度确定的目标样本进行训练，包括：获得历史样本数据；对所述历史样本数据进行预处理，获得第二预处理结果；根据所述第二预处理结果，获得第二特征数据集；确定分类置信度δ；根据所述分类置信度δ，从所述第二特征数据集中选择至少两个第一样本；将所述至少两个第一样本合成所述目标样本；根据所述目标样本进行训练。3.根据权利要求2所述的发动机信息处理方法，其特征在于，对所述至少两个第一样本合成所述目标样本，包括：根据N＝[r
max
/r
i
]对所述至少两个第一样本合成所述目标样本；其中，r
max
为数量最多的一类第一样本的总样本数量，r
i
为当前样本类别的样本总数量，方括号代表取整函数，N表示所述目标样本的数量。4.根据权利要求2所述的发动机信息处理方法，其特征在于，根据所述目标样本进行训练，包括：通过对M个第一样本的学习，得到第一个弱分类器，M为正整数；将所述目标样本加入到下一轮训练，得到第二个弱分类器，并选择出无法分类的目标样本，动态合成第二样本；根据所述第二样本，经过预设迭代次数进行训练，形成强分类器。5.根据权利要求1所述的发动机信息处理方法，其特征在于，根据发动机的当前样本数据，获得第一特征数据集，包括：获得发动机的当前...

【专利技术属性】
技术研发人员：秦威，祝晓旦，郭良训，庄子龙，孙衍宁，査栋烨，石闻天，
申请(专利权)人：上海交通大学中国移动通信集团有限公司，
类型：发明
国别省市：