一种摩托车发动机性能测试平台及系统技术方案

本发明专利技术公开了一种摩托车发动机性能测试平台及系统，属于发动机测试技术领域

【技术实现步骤摘要】
一种摩托车发动机性能测试平台及系统


[0001]本专利技术涉及发动机测试
，具体是一种摩托车发动机性能测试平台及系统
。

技术介绍

[0002]发动机性能测试通常通过实验台架测试，即将发动机固定在测试平台上，通过测试平台使发动机不同状态下工作，获取相应的测试数据，再进行数据处理和分析以评估发动机的性能
。
然而，发动机性能受多个因素织影响，这些因素之间可能存在复杂的非线性关系，如相互作用
、
阶段性变化等
。
传统的数据处理和分析方式面临的挑战是通过有限的经验和知识来发现和理解这些隐藏的复杂关系，难以捕捉到所有的潜在因素和其对性能的影响
。
[0003]相对于传统的数据处理和分析方式，神经网络模型可以通过学习大量数据中的模式和规律，自动发现隐藏的复杂关系
。
目前，在神经网络模型的实际应用过程中，往往需要考虑多种因素对目标变量的影响，导致输入数据的维度很高，分析和处理这些数据会比较复杂和耗时；并且由于输入数据量大
、
维度，数据中可能受到噪声干扰和误差影响，导致分析结果不够准确和可靠
。

技术实现思路

[0004]为解决上述
技术介绍
中存在的问题，本专利技术提出了一种摩托车发动机性能测试系统，能够快速选择最优特征变量类型，降低输入数据的维度，从而减少分析过程中的噪声和误差，提高神经网络模型分析的准确性和效率
。
[0005]本专利技术目的通过以下技术方案实现：
[0006]一种摩托车发动机性能测试系统，包括发动机测试平台
、
数据采集模块
、
预处理模块和数据分析模块；
[0007]所述发动机测试平台设有发动机和测试设备；
[0008]所述数据采集模块与发动机测试平台通信连接，用于采集运行过程参数；所述运行过程参数包括目标变量参数组和特征变量参数组；目标变量参数组表示为
T
＝
{T1,T2,...,T
n
}
，
n
为目标变量类型总数；特征变量参数组表示为
F
＝
{F1,F2,...,F
m
}
，
m
为特征变量类型总数；
n
和
m
为大于2的正整数；
[0009]所述预处理模块用于存储目标特征映射关系，对运行过程参数进行训练数据预处理得到第一预处理结果并更新目标特征映射关系，根据目标特征映射关系对运行过程参数进行分析数据预处理得到第二预处理结果；所述目标特征映射关系为目标变量类型与最优特征变量类型的映射关系；
[0010]所述数据分析模块，通过第一预处理结果训练神经网络模型，通过将第二预处理结果输入神经网络模型得到测试结果；
[0011]所述对运行过程参数进行训练数据预处理，包括对所述运行过程参数进行数据转
换；所述数据转换为依次执行目标变量选择
、
特征评估
、
特征排序和特征选择操作
n
次得到第一预处理结果；所述第一预处理结果包括每个目标变量类型的最优特征子集
。
[0012]作为优选方案，所述特征评估具体为计算每个特征变量类型与目标变量类型
T
i
之间的相关系数；所述相关系数表示为：
[0013][0014]其中，
i∈{1,2,...,n}
，
j∈{1,2,...,m}
，
F
j
为特征变量参数的第
j
个元素，
Cov(F
j
,T
i
)
为
F
j
与
T
i
的协方差，
σ
(F
j
)
为
F
j
的方差，
σ
(T
i
)
为
T
i
的方差
。
[0015]作为优选方案，所述特征排序为将各个特征变量类型按照其与目标变量类型
T
i
的相关系数的绝对值从高到低进行排序，并将目标变量类型
T
i
的相关系数
r(F
j
,T
i
)
取值最大时的特征变量类型
F
j
表示为最强相关特征
F
i,max
。
[0016]作为优选方案，所述特征选择，包括步骤：
[0017]S11、
将特征集
A
初始化为空集，设定每次迭代选择的特征数量
k
，设定模型评估指标，
k
为大于1且小于
m
的正整数；
[0018]S12、
将最强相关特征
F
i,max
作为第一个特征加入特征集
A
，设变量
L
＝
m
‑1；
[0019]S13、
将不属于特征集
A
中的元素的
L
个特征变量参数分别加入特征集
A
中形成
L
个特征子集，然后使用评估指标对所述
L
个特征子集进行评估，选择评估指标最高的特征子集作为新的特征集
A
，变量
L
自减1；
[0020]S14、
重复步骤
S13
，直到特征集
A
中的特征数量等于预设值
k
，将最终的特征集
A
作为最优特征子集
。
[0021]作为优选方案，所述特征选择，还包括步骤：
[0022]S15、
将目标变量类型
T
i
在所述目标特征映射关系中对应的最优特征变量类型更新为最优特征子集包括的特征变量类型
。
[0023]作为优选方案，所述根据目标特征映射关系对运行过程参数进行分析数据预处理得到第二预处理结果，包括以下步骤：
[0024]S21、
选择未合并为特征向量的目标变量类型，根据目标特征映射关系获取所述目标变量类型的最优特征变量类型；
[0025]S22、
根据选择的目标变量类型从目标变量参数组中筛选目标变量参数，根据最优特征变量类型从特征变量参数组中筛选特征变量参数；
[0026]S23、
将目标变量参数和特征变量参数合并为若干特征向量；每个所述特征向量包括
k+1
个元素，其中
k
个元素为特征变量参数，1个元素为目标变量参数；
[0027]S24、
重复步骤
S21
至步骤
S2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种摩托车发动机性能测试系统，其特征在于：包括发动机测试平台
、
数据采集模块
、
预处理模块和数据分析模块；所述发动机测试平台设有发动机和测试设备；所述数据采集模块与发动机测试平台通信连接，用于采集运行过程参数；所述运行过程参数包括目标变量参数组和特征变量参数组；目标变量参数组表示为
T
＝
{T1,T2,...,T
n
}
，
n
为目标变量类型总数；特征变量参数组表示为
F
＝
{F1,F2,...,F
m
}
，
m
为特征变量类型总数；
n
和
m
为大于2的正整数；所述预处理模块用于存储目标特征映射关系，对运行过程参数进行训练数据预处理得到第一预处理结果并更新目标特征映射关系，根据目标特征映射关系对运行过程参数进行分析数据预处理得到第二预处理结果；所述目标特征映射关系为目标变量类型与最优特征变量类型的映射关系；所述数据分析模块，通过第一预处理结果训练神经网络模型，通过将第二预处理结果输入神经网络模型得到测试结果；所述对运行过程参数进行训练数据预处理，包括对所述运行过程参数进行数据转换；所述数据转换为依次执行目标变量选择
、
特征评估
、
特征排序和特征选择操作
n
次得到第一预处理结果；所述第一预处理结果包括每个目标变量类型的最优特征子集
。2.
根据权利要求1所述的摩托车发动机性能测试系统，其特征在于：所述特征评估具体为计算每个特征变量类型与目标变量类型
T
i
之间的相关系数；所述相关系数表示为：其中，
i∈{1,2,...,n}
，
j∈{1,2,...,m}
，
F
j
为特征变量参数的第
j
个元素，
Cov(F
j
,T
i
)
为
F
j
与
T
i
的协方差，
σ
(F
j
)
为
F
j
的方差，
σ
(T
i
)
为
T
i
的方差
。3.
根据权利要求2所述的摩托车发动机性能测试系统，其特征在于：所述特征排序为将各个特征变量类型按照其与目标变量类型
T
i
的相关系数的绝对值从高到低进行排序，并将目标变量类型
T
i
的相关系数
r(F
j
,T
i
)
取值最大时的特征变量类型
F
j
表示为最强相关特征
F
i,max
。4.
根据权利要求3所述的摩托车发动机性能测试系统，其特征在于：所述特征选择，包括以下步骤：
S11、
将特征集
A
初始化为空集，设定每次迭代选择的特征数量
k
，设定模型评估指标，
k
为大于1且小于<...

【专利技术属性】
技术研发人员：刘维嘉，
申请(专利权)人：广州天马集团天马摩托车有限公司，
类型：发明
国别省市：