【技术实现步骤摘要】
本申请涉及发动机，尤其涉及发动机失火故障识别方法及设备。
技术介绍
1、发动机失火是指由于进排气系统、供油系统、点火系统等硬件故障或其他原因引起气缸内混合气不燃烧或燃烧不良的现象。发动机轻度失火会引起排放的恶化甚至超标，严重失火时可能导致燃油消耗增加、输出功率降低，影响发动机运转的平稳性、动力性及经济性，甚至导致三效催化转换器损坏。因此，发动机失火故障诊断是车载诊断系统中的一个重要组成部分。
2、目前，发动机失火故障的常用检测方法为曲轴瞬时转速波动法，该方法具有测量方便，成本低等优点，在国外得到广泛的研究和应用，但加减速、负荷变化等原因也会造成曲轴转速波动异常，因此造成转速波动异常的原因不仅仅是由失火故障引起的，还有加减速、负荷变化等原因，同时该方法在高转速低负荷工况下的失火及多缸失火故障诊断精度较差。另一方面，车载失火诊断系统在发动机失火标定开发过程中，需要依靠大量的台架试验及整车道路试验，并设置不同失火模式，在不同工况下完成失火诊断标定，但该方法试验资源需求大，标定开发周期长，效率低，同时需要obd标定工程师根据经验设置失火阈值，而标定的失火阈值往往无法覆盖实际全路况，可能会出现误诊断或漏诊断等失效情况，从而导致失火诊断的鲁棒性较差。
3、上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
1、本申请的主要目的在于提供一种发动机失火故障识别方法及设备，旨在解决现有技术中传统手段难以快速、准确地确定发动机的失火故障模
2、为实现上述目的，本申请提供了一种发动机失火故障识别方法，包括：
3、获取预设模式下曲轴瞬时角速度作为振动信号，将同一预设模式的振动信号划分至同一样本簇中，预设模式至少包括正常模式与失火故障模式；
4、基于样本簇中振动信号之间的样本距离，确定样本簇中振动信号的综合距离；
5、基于样本簇中振动信号的综合距离，确定样本簇的簇中心点；
6、基于样本簇中振动信号与簇中心点之间的距离，确定样本簇的邻域搜索距离；
7、基于样本簇的邻域搜索距离，对样本簇中的振动信号进行筛选，得到目标振动信号；
8、基于目标振动信号，对构建的发动机失火故障识别模型进行训练；
9、基于训练后的发动机失火故障识别模型，对发动机的失火故障进行实时监测。
10、在一实施例中，基于样本簇中振动信号之间的样本距离，确定样本簇中振动信号的综合距离的步骤包括：
11、获取样本簇中振动信号之间的样本距离以及样本簇中振动信号与初始簇中心点之间的中心距离；
12、获取样本距离、中心距离与综合距离之间的第一对应关系；
13、根据样本簇中振动信号之间的样本距离、样本簇中振动信号与初始簇中心点之间的中心距离以及第一对应关系，确定样本簇中振动信号的综合距离。
14、在一实施例中，基于样本簇中振动信号的综合距离，确定样本簇的簇中心点的步骤包括：
15、根据样本簇中振动信号的综合距离，确定样本簇的最小综合距离；
16、在样本簇的最小综合距离小于预设距离阈值时，将最小距离对应的振动信号作为样本簇的新的初始簇中心点，并确定是否满足中心点条件；
17、在满足中心点条件时，确定初始簇中心点为样本簇的簇中心点，执行基于样本簇中振动信号与簇中心点之间的距离，确定样本簇的邻域搜索距离的步骤；
18、在不满足中心点条件时，返回执行获取样本簇中振动信号之间的样本距离以及样本簇中振动信号与初始簇中心点之间的中心距离的步骤。
19、在一实施例中，中心点条件为迭代次数大于等于预设迭代阈值或中心点未改变次数大于等于预设次数，发动机失火故障识别方法还包括：
20、在样本簇的最小综合距离大于等于预设距离阈值时，保持初始簇中心点，执行确定是否满足中心点条件的步骤。
21、在一实施例中，基于样本簇中振动信号与簇中心点之间的距离，确定样本簇的邻域搜索距离的步骤包括：
22、根据样本簇中振动信号的数量，确定样本簇的邻域样本数量阈值；
23、获取振动信号与簇中心点之间的距离、邻域样本数量阈值与邻域搜索距离之间的第二对应关系；
24、根据样本簇中振动信号与簇中心点之间的距离、样本簇的邻域样本数量阈值以及第二对应关系，确定样本簇的邻域搜索距离。
25、在一实施例中，基于样本簇的邻域搜索距离，对样本簇中的振动信号进行筛选，得到目标振动信号的步骤包括：
26、根据样本簇中振动信号与簇中心点之间的距离，筛选出样本簇中距离小于等于邻域搜索距离的振动信号作为拓展点；
27、根据样本簇中拓展点对应的邻近信号，确定样本簇中拓展点对应的邻近信号的数量，拓展点与对应邻近信号之间的距离小于等于邻域搜索距离；
28、在样本簇中拓展点对应的邻近信号的数量大于等于邻域样本数量阈值时，将样本簇中的拓展点作为次核心点；
29、根据样本簇中的簇中心点、拓展点以及次核心点，确定样本簇中的离散信号，并剔除样本簇中的离散信号，得到目标振动信号。
30、在一实施例中，发动机失火故障识别模型采用改进的densenet121模型，改进的densenet121模型包括依次连接的non-local注意力单元、non-local加强决策单元以及原始densenet121模型的分类识别单元，基于目标振动信号，对构建的发动机失火故障识别模型进行训练的步骤包括：
31、对目标振动信号进行图像转换，得到振动图像，振动图像根据对应的预设模式进行标记；
32、将振动图像输入分类识别单元进行训练，获取分类识别单元训练过程中的决策特征图像，将决策特征图像输入non-local加强决策单元进行处理，得到决策概率；
33、在决策概率大于第一决策权重指标且小于第二决策权重指标时，确定进行non-local特征识别并激活non-local注意力单元；
34、在激活non-local注意力单元时，将决策特征图像输入non-local注意力单元，对决策特征图像进行线性映射与卷积处理，得到张量特征图像，并改变张量特征图像的形状，对自注意力特征进行归一化处理，得到自注意力系数，基于自注意力系数，恢复张量特征图像的形状，得到恢复特征图像，对恢复特征图像与决策特征图像进行残差处理，得到non-local特征图像；
35、将non-local特征图像输入分类识别单元继续进行训练。
36、在一实施例中，将决策特征图像输入non-local加强决策单元进行处理，得到决策概率的步骤之后还包括：
37、在决策概率大于等于第二决策权重指标时，确定进行non-local特征识别且不激活non-local注意力单元，基于non-local存储特征，对决策特征图像进行加强；
38、在决策概率小本文档来自技高网...
【技术保护点】
1.一种发动机失火故障识别方法，其特征在于，所述的方法，包括：
2.如权利要求1所述的方法，其特征在于，所述基于所述样本簇中振动信号之间的样本距离，确定所述样本簇中振动信号的综合距离的步骤包括：
3.如权利要求2所述的方法，其特征在于，所述基于所述样本簇中振动信号的综合距离，确定所述样本簇的簇中心点的步骤包括：
4.如权利要求3所述的方法，其特征在于，所述中心点条件为迭代次数大于等于预设迭代阈值或中心点未改变次数大于等于预设次数，所述的方法还包括：
5.如权利要求1所述的方法，其特征在于，所述基于所述样本簇中振动信号与簇中心点之间的距离，确定所述样本簇的邻域搜索距离的步骤包括：
6.如权利要求5所述的方法，其特征在于，所述基于所述样本簇的邻域搜索距离，对所述样本簇中的振动信号进行筛选，得到目标振动信号的步骤包括：
7.如权利要求1所述的方法，其特征在于，所述发动机失火故障识别模型采用改进的DenseNet121模型，所述改进的DenseNet121模型包括依次连接的Non-Local注意力单元、Non-Loc
8.如权利要求7所述的方法，其特征在于，所述将所述决策特征图像输入所述Non-Local加强决策单元进行处理，得到决策概率的步骤之后还包括：
9.如权利要求1至8中任一项所述的方法，其特征在于，所述失火故障模式至少包括单缸单次失火、单缸连续失火、多缸单次失火以及多缸连续失火，所述基于训练后的发动机失火故障识别模型，对发动机的失火故障进行实时监测的步骤之后还包括：
10.一种发动机失火故障识别设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如权利要求1至9中任一项所述的发动机失火故障识别方法的步骤。
...【技术特征摘要】
1.一种发动机失火故障识别方法，其特征在于，所述的方法，包括：
2.如权利要求1所述的方法，其特征在于，所述基于所述样本簇中振动信号之间的样本距离，确定所述样本簇中振动信号的综合距离的步骤包括：
3.如权利要求2所述的方法，其特征在于，所述基于所述样本簇中振动信号的综合距离，确定所述样本簇的簇中心点的步骤包括：
4.如权利要求3所述的方法，其特征在于，所述中心点条件为迭代次数大于等于预设迭代阈值或中心点未改变次数大于等于预设次数，所述的方法还包括：
5.如权利要求1所述的方法，其特征在于，所述基于所述样本簇中振动信号与簇中心点之间的距离，确定所述样本簇的邻域搜索距离的步骤包括：
6.如权利要求5所述的方法，其特征在于，所述基于所述样本簇的邻域搜索距离，对所述样本簇中的振动信号进行筛选，得到目标振动信号的步骤包括：
7.如权利要求1所述的方法，其特征在于，所述发动机失火故障识别模型采用改进的den...
【专利技术属性】
技术研发人员：吴田田，张继杨，王江涛，
申请(专利权)人：东风汽车集团股份有限公司，
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。