[发明专利]用于利用深度学习系统检测引擎爆震的系统和方法

说明书

一种用于训练深度学习系统以尽管使用来自低保真度爆震检测传感器的数据也利用与高保真度爆震检测传感器关联的准确度来检测引擎爆震的系统。所述系统包括：引擎；高保真度爆震检测传感器；低保真度爆震检测传感器；和电子处理器。所述电子处理器被配置为：从所述高保真度爆震检测传感器接收第一数据。所述电子处理器还被配置为：从所述低保真度爆震检测传感器接收第二数据。所述电子处理器被进一步配置为：将所述第一数据映射到所述第二数据；使用包括所映射的数据的训练数据，训练所述深度学习系统，以使用来自所述低保真度爆震检测传感器的数据确定所预测的峰值压力；从所述低保真度爆震检测传感器接收第三数据；以及使用所述第三数据确定确定所预测的峰值压力。

技术领域

当引擎的燃烧室内存在燃料的不完全或不均匀点火时，发生引擎爆震。引擎可以被包括在例如乘客车辆中。当发生引擎爆震时，其可能引起使车辆的乘客不舒适的听觉噪声。引擎爆震也可能引起对引擎的损坏。高保真度爆震检测传感器可以承受在燃烧室中出现的高温和高压，但是这些高保真度传感器是昂贵的，并且安装高保真度传感器是昂贵并且耗时的。传感器的昂贵的安装成本部分地归因于如下事实：需要专业的安装以接入到高保真度传感器应当位于其处的燃烧室的内部部分。存在更廉价的低保真度爆震检测传感器，其依赖于引擎的引擎块的振动。这些低保真度传感器牺牲了保真度但是更廉价，因为它们与高保真度传感器相比更易于安装并且不必承受高压和高温。在图1A中图示高保真度爆震检测传感器100的示例。如在图1A中示出那样，高保真度爆震检测传感器100被包括在引擎110的燃烧室105中。在图1B中图示低保真度爆震检测传感器115的示例。如在图1B中示出那样，低保真度爆震检测传感器115被安装在引擎110的引擎块120上。

发明内容

如果可以实现利用高保真度传感器实现的保真度而不招致获取并且安装这样的传感器的花费，则这将是有益的。在此描述的实施例除了其它方面之外还提供用于训练深度学习系统以尽管使用来自低保真度传感器的数据也利用与高保真度传感器关联的准确度来检测引擎爆震的系统和方法。

一个实施例提供一种用于训练深度学习系统以尽管使用来自低保真度爆震检测传感器的数据也利用与高保真度爆震检测传感器关联的准确度来检测引擎爆震的系统。系统包括：引擎；高保真度爆震检测传感器；低保真度爆震检测传感器；和电子处理器。电子处理器被配置为从高保真度爆震检测传感器接收第一数据。第一数据表示引擎的燃烧室中的压力。电子处理器还被配置为从低保真度爆震检测传感器接收第二数据。第二数据表示引擎块的振动。电子处理器被进一步配置为：将第一数据映射到第二数据；以及使用包括所映射的数据的训练数据训练深度学习系统以使用来自低保真度爆震检测传感器的数据来确定所预测的峰值压力。电子处理器还被配置为：从低保真度爆震检测传感器接收第三数据；以及使用第三数据，利用经训练的深度学习系统来确定所预测的峰值压力。

另一实施例提供一种用于训练深度学习系统以尽管使用来自低保真度爆震检测传感器的数据也利用与高保真度爆震检测传感器关联的准确度来检测引擎爆震的方法。方法包括利用电子处理器从高保真度爆震检测传感器接收第一数据。第一数据表示引擎的燃烧室中的压力。方法还包括利用电子处理器从低保真度爆震检测传感器接收第二数据。第二数据表示引擎块的振动。方法进一步包括：利用电子处理器将第一数据映射到第二数据；以及使用包括所映射的数据的训练数据训练深度学习系统以使用来自低保真度爆震检测传感器的数据来确定所预测的峰值压力。方法还包括：从低保真度爆震检测传感器接收第三数据；以及使用第三数据，利用经训练的深度学习系统确定所预测的峰值压力。

通过考虑详细描述和随附附图，其它的方面、特征和实施例将变得显而易见。

附图说明

图1A是根据一个实施例的已安装的高保真度爆震检测传感器的示图。

图1B是根据一个实施例的已安装的低保真度爆震检测传感器的示图。

图2是根据一些实施例的用于训练深度学习系统以尽管使用来自低保真度传感器的数据也利用与高保真度传感器关联的准确度来检测引擎爆震的系统的框图。