[发明专利]基于RVM的发动机故障检测方法

说明书

技术领域

本发明属于汽车技术领域，具体涉及一种发动机故障检测方法。

背景技术

发动机是汽车运动的心脏，决定了汽车的性能的优劣。现代发动机已成为集电子技术、计算机技术、信息技术于一体的智能控制系统，集成化程度越来越高、结构也越来越复杂；然而，发动机的智能性却使得发动的故障诊断和维修成为制约汽车工业发展的瓶颈。

汽车发动机系统通过电子控制手段对发动机点火、喷油、空气与燃油的比率、排放废气等进行优化控制，使发动机工作在最佳状态。汽车发动机系统主要包括电控燃油喷射系统、电控点火系统、警告提示系统等。

发明内容

为了对发动机的工作状态进行实时监测，避免发动机故障带来安全事故，本发明提供一种基于RVM的发动机故障检测方法，根据采集发动机运行参数来判断发动机是否有故障。

本发明的技术方案是：一种发动机故障诊断算法，包括如下步骤：步骤一：预处理: 对发动机运行速度及其对应的振幅、频率样本的先验数据进行归一化处理，并建立运行速度及其对应的振幅、频率与发动机状态之间的对应关系；步骤二：机器训练: 选择合适的核函数并对其超参数进行鱼群算法优化训练，建立合适的ＲVM 模型；步骤三：故障诊断: 采用“一对一”ＲVM 分类器进行待测样本故障诊断并输出结果。所述步骤二中，核函数为高斯径向基核函数。所述鱼群算法的实现过程为： a.初始化鱼群种群数、各个阶段的交叉率及变异率、最大迭代次数等参； b.使用互信息计算各个变量之间的互信息； c.采用MWST算法生成初始的无向图，并指定任意一个节点为根节点生成初始种群； d.计算所有初始种群的BIC评分，找出评分最大的分值及个体； e.将d的结果放入初始化后的公告板；while（迭代次数＜最大迭代次数）for ｋ＝１：fishnumf.若此编号的鱼个体满足聚群条件，则执行聚群行为；否则执行觅食行为； g.若此编号的鱼个体满足追尾条件，则执行追尾行为；否则执行觅食行为； h.将执行完聚群行为和追尾行为的鱼个体进行比较，得到此鱼个体“捕食”最优的方式，并记录； i.用一次“捕食”后的fishinum个鱼个体中的最优个体来更新公告板； j.判断是否达到最大迭代次数。若达到最大迭代次数，则算法结束；否则继续进行；k.输出计算后的最高得分值，得到最优的优化网络。

本发明有如下积极效果：利用汽车发动机参数分析法，通过相关向量训练归一化的发动机状态样本数据，建立了参数优化的ＲVM 模型，利用该模型进行了发动机故障检测实验，验证了该方法的有效性。实验结果表明，采用 “优化的鱼群算法-ＲVM”的发动机故障诊断技术比传统的基于神经网络、GA-BP、GA-SVM 等方法的诊断结果更加准确，鲁棒性好，泛化能力进一步加强，具有较好的可推广性和一定的实用价值。

附图说明

图1 为本发明具体实施方式发动机智能诊断系统结构图。

具体实施方式

下面对照附图，通过对实施例的描述，本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等，作进一步详细的说明，以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。

发动机非正常工作时，会产生振动，在不同的速度下，发动机工作引起的振动幅值和频率也不尽相同。因此可以通过汽车发动机的工作速度及对应的振动幅值和频率来判断发动机所处的工作状态，完成故障诊断。根据这一理论，可以利用机器学习的方法对先验数据样本进行学习训练，将训练好的机器模型用于发动机故障诊断。

ＲVM 算法是通过“核函数”将低维空间的非线性问题映射到高维空间并转化成线性问题，核函数的巧妙之处是映射过程并未增加很多的计算量。与相对更早提出的SVM 算法相比，ＲVM 算法中核函数的选择不受Mercer 条件的限制，由于其解的稀疏性和概率性，理论上讲是机器学习方法中泛化性能最突出的算法，对小样本的机器学习尤其有效。

该方法得到泛化性能优秀的稀疏解，是建立在合适的核函数选择及参数设置的基础上。为了得到最佳设置，本文对ＲVM 超参数的优化采用了改进的鱼群算法，并将“改进的鱼群算法-ＲVM 模型”应用于ＲVM 发动机故障诊断之中。

基于“改进的鱼群算法-ＲVM 模型”的故障诊断系统组成可以分为3 个主要过程:

1) 预处理: 对发动机运行速度及其对应的振幅、频率样本的先验数据进行归一化处理，并建立运行速度及其对应的振幅、频率与发动机状态之间的对应关系；