CN115234371B - 车辆发动机热管理诊断方法、装置、设备及存储介质 - Google Patents
车辆发动机热管理诊断方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115234371B CN115234371B CN202110608666.5A CN202110608666A CN115234371B CN 115234371 B CN115234371 B CN 115234371B CN 202110608666 A CN202110608666 A CN 202110608666A CN 115234371 B CN115234371 B CN 115234371B
- Authority
- CN
- China
- Prior art keywords
- engine
- vehicle
- water temperature
- thermal management
- absolute time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000002405 diagnostic procedure Methods 0.000 title claims description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 120
- 238000003745 diagnosis Methods 0.000 claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000013145 classification model Methods 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims description 70
- 238000012545 processing Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 230000009467 reduction Effects 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 15
- 238000007726 management method Methods 0.000 description 67
- 230000006872 improvement Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 239000000110 cooling liquid Substances 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02B—INTERNAL-COMBUSTION PISTON ENGINES; COMBUSTION ENGINES IN GENERAL
- F02B77/00—Component parts, details or accessories, not otherwise provided for
- F02B77/08—Safety, indicating, or supervising devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01P—COOLING OF MACHINES OR ENGINES IN GENERAL; COOLING OF INTERNAL-COMBUSTION ENGINES
- F01P11/00—Component parts, details, or accessories not provided for in, or of interest apart from, groups F01P1/00 - F01P9/00
- F01P11/14—Indicating devices; Other safety devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01P—COOLING OF MACHINES OR ENGINES IN GENERAL; COOLING OF INTERNAL-COMBUSTION ENGINES
- F01P11/00—Component parts, details, or accessories not provided for in, or of interest apart from, groups F01P1/00 - F01P9/00
- F01P11/14—Indicating devices; Other safety devices
- F01P11/16—Indicating devices; Other safety devices concerning coolant temperature
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02B—INTERNAL-COMBUSTION PISTON ENGINES; COMBUSTION ENGINES IN GENERAL
- F02B77/00—Component parts, details or accessories, not otherwise provided for
- F02B77/08—Safety, indicating, or supervising devices
- F02B77/089—Safety, indicating, or supervising devices relating to engine temperature
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明提供了一种车辆发动机热管理诊断方法、装置、设备及存储介质，该方法包括获取本车辆的当前发动机转速、当前车速、当前发动机水温以及当前车辆工况参数，根据当前发动机转速、当前车速、当前发动机水温以及当前车辆工况参数基于预先训练好的热管理诊断模型进行诊断，获得本车辆的热管理诊断结果；其中，所述热管理诊断模型为预先根据不同车辆工况参数下发动机转速和车速、相应的节温器的有效绝对时间以及在有效绝对时间内的发动机水温曲线基于分类模型训练获得；本发明无需人为标定阈值对节温器进行故障划分，可降低对工程师经验的依赖，提高节温器故障诊断的精度，避免误判漏判问题，同时可以提升汽车发动机热管理系统诊断的自动化程度。
Description
技术领域
本发明涉及汽车热管理技术领域，尤其涉及一种车辆发动机热管理诊断方法、装置、设备及存储介质。
背景技术
汽车发动机热管理是指汽车的发动机在工作循环时，通过控制散热器、风扇、节温器等部件，使发动机始终在最佳温度下工作，从而使得发动机处于最省油、最稳定、最能发挥其效能的状态。其中，节温器作为温度控制的关键部件，也是汽车发动机热管理中重要的亟需管控和诊断的部件。目前，对节温器部件的故障诊断一般通过温度监控来实现，例如，节温器开启温度80℃，低于80℃关闭，高于80℃开启，水温始终维持在较为平稳的状态。而节温器故障时，由于节温器一直处于开启状态，水温到达80℃后，车速越高散热越快，水温会急剧下降，不能恒温；现有的诊断思路是通过人为标定阈值对节温器进行故障划分，但由于发动机水温具有强时滞性的特点，现有的故障划分方法存在误判漏判等问题。
发明内容
针对上述问题，本发明的目的在于提供一种车辆发动机热管理诊断方法、装置、设备及存储介质，其能提高节温器故障诊断的精度，避免误判漏判问题。
第一方面，本发明实施例提供了一种车辆发动机热管理诊断方法，包括：
获取本车辆的当前发动机转速、当前车速、当前发动机水温以及当前车辆工况参数；
根据所述当前发动机转速、当前车速、当前发动机水温以及当前车辆工况参数基于预先训练好的热管理诊断模型进行诊断，获得本车辆的热管理诊断结果；
其中，所述热管理诊断模型为预先根据不同车辆工况参数下发动机转速和车速、相应的节温器的有效绝对时间以及在所述有效绝对时间内的发动机水温曲线基于分类模型训练获得。
作为上述方案的改进，所述方法还包括：
获得在不同车辆工况参数下发动机转速和车速；
根据所述发动机转速和所述车速，获得在不同车辆工况参数下节温器的有效绝对时间以及在所述有效绝对时间内的发动机水温曲线；
根据所述有效绝对时间及其发动机水温曲线，基于分类模型训练获得热管理诊断模型。
作为上述方案的改进，所述根据所述有效绝对时间及其发动机水温曲线，基于分类模型训练获得热管理诊断模型，包括：
在所述有效绝对时间开始和结束时刻范围内进行插值处理，获得若干个插值时刻；
根据所述发动机水温曲线，获取各个插值时刻对应的发动机水温，并建立代表插值时刻与发动机水温关系的水温特征矩阵；
对所述水温特征矩阵进行PCA降维处理，得到PCA特征矩阵；
将所述PCA特征矩阵作为训练数据集对预先建立的分类模型进行训练，获得所述热管理诊断模型。
作为上述方案的改进，所述对所述水温特征矩阵进行PCA降维处理，包括：
计算所述水温特征矩阵的协方差矩阵，并计算所述协方差矩阵的特征向量及其特征值；
对各个所述特征值进行排序，并提取前K个特征值对应特征向量以建立PCA特征矩阵；其中，所述PCA特征矩阵的每一列特征向量表示一种车辆工况下发动机水温；
根据所述节温器故障状态，对所述PCA特征矩阵中每列添加标签值；
其中，当所述节温器故障状态为正常状态时，所述标签值为第一设定值；当所述节温器故障状态为常开故障状态或常闭故障状态时，所述标签值为第二设定值。
作为上述方案的改进，所述根据所述发动机转速和所述车速，获得在不同车辆工况参数下节温器的有效绝对时间以及在所述有效绝对时间内的发动机水温曲线，包括：
对于在任一车辆工况参数下车辆，获取所述发动机转速大于预设的第一阈值时的第一时间点；
获取所述车速达到预设的最大车速时的第二时间点；
根据所述第一时间点和所述第二时间点，获得任一车辆工况参数下的有效绝对时间；
采集在所述有效绝对时间内的发动机水温，得到任一车辆工况参数下的发动机水温曲线。
第二方面，本发明实施例提供了一种车辆发动机热管理诊断装置，包括：
第一数据获取模块，用于获取本车辆的当前发动机转速、当前车速、当前发动机水温以及当前车辆工况参数；
热管理诊断模块，用于根据所述当前发动机转速、当前车速、当前发动机水温以及当前车辆工况参数基于预先训练好的热管理诊断模型进行诊断，获得本车辆的热管理诊断结果；
其中，所述热管理诊断模型为预先根据不同车辆工况参数下发动机转速和车速、相应的节温器的有效绝对时间以及在所述有效绝对时间内的发动机水温曲线基于分类模型训练获得。
作为上述方案的改进，所述装置还包括：
第二数据获取模块，用于获得在不同车辆工况参数下发动机转速和车速；
水温数据获取模块，用于根据所述发动机转速和所述车速，获得在不同车辆工况参数下节温器的有效绝对时间以及在所述有效绝对时间内的发动机水温曲线；
模型训练模块，用于根据所述有效绝对时间及其发动机水温曲线，基于分类模型训练获得热管理诊断模型。
作为上述方案的改进，所述模型训练模块包括：
插值单元，用于在所述有效绝对时间开始和结束时刻范围内进行插值处理，获得若干个插值时刻；
水温特征矩阵建立单元，用于根据所述发动机水温曲线，获取各个插值时刻对应的发动机水温，并建立代表插值时刻与发动机水温关系的水温特征矩阵；
降维单元，用于对所述水温特征矩阵进行PCA降维处理，得到PCA特征矩阵；
分类模型训练单元，用于将所述PCA特征矩阵作为训练数据集对预先建立的分类模型进行训练，获得所述热管理诊断模型。
第三方面，本发明实施例提供了一种车辆发动机热管理诊断设备，处理器和通信模块；其中，所述通信模块和所述处理器耦合，所述处理器用于运行计算机程序，以实现如第一方面任一项所述的车辆发动机热管理诊断方法，所述通信模块用于与车辆发动机热管理诊断设备之外的其它模块进行通信。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面任一项所述的车辆发动机热管理诊断方法。
相对于现有技术，本发明实施例的有有益效果在于：获取本车辆的当前发动机转速、当前车速、当前发动机水温以及当前车辆工况参数；根据本车辆的当前发动机转速、当前车速、当前发动机水温以及当前车辆工况参数基于预先训练好的热管理诊断模型进行诊断，获得本车辆的热管理诊断结果；其中，所述热管理诊断模型为预先根据不同车辆工况参数下发动机转速和车速、相应的节温器的有效绝对时间以及在所述有效绝对时间内的发动机水温曲线基于分类模型训练获得。本发明无需人为标定阈值对节温器进行故障划分，可降低对工程师经验的依赖，提高节温器故障诊断的精度，避免误判漏判问题，同时可以提升汽车发动机热管理系统诊断的自动化程度。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的一种车辆发动机热管理诊断方法的流程图；
图2是本发明提供的超平面参数w，b含义图；
图3是本发明提供的一种车辆发动机热管理诊断装置的示意图；
图4是本发明提供的一种车辆发动机热管理诊断设备的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明第一实施例提供的一种车辆发动机热管理诊断方法，包括：
S1：获取本车辆的当前发动机转速、当前车速、当前发动机水温以及当前车辆工况参数；
进一步的，车辆工况参数包括：发动机负荷、发动机冷却液温度、发动机进气温度、环境温度、风扇开启状态、风扇PWM占比、空调开启状态、风量信号、扭矩信号以及节温器故障状态；其中，所述节温器故障状态包括正常状态、常开故障状态、常闭故障状态。
示例性的，通过对处于不同车辆工况参数下的车辆进行WLTC测试循环，并获取对应的车辆工况参数，同时监测发动机转速和车速。具体的，可以通过更换不同故障状态的节温器，分别监测车辆的节温器处于正常状态、常开故障状态、常闭故障状态时发动机转速和车速；同时还可以对车辆处于不同的发动机负荷、发动机冷却液温度、发动机进气温度、环境温度、风扇开启状态、风扇PWM占比、空调开启状态、风量信号等情况下进行发动机转速和车速监测，从而扩展车辆热管理数据样本的数量，对于热管理诊断模型精度的提升有显著的效果。
S2：根据所述当前发动机转速、当前车速、当前发动机水温以及当前车辆工况参数基于预先训练好的热管理诊断模型进行诊断，获得本车辆的热管理诊断结果；
其中，所述热管理诊断模型为预先根据不同车辆工况参数下发动机转速和车速、相应的节温器的有效绝对时间以及在所述有效绝对时间内的发动机水温曲线基于分类模型训练获得；
在本发明实施例中，通过将采集到的本车辆的当前发动机转速、当前车速、当前发动机水温以及当前车辆工况参数输入到搭建的热管理诊断模型，即可获得本车辆的热管理诊断结果，即节温器故障诊断结果，整个热管理诊断过程无需人为标定阈值对节温器进行故障划分，可降低对工程师经验的依赖，提高节温器故障诊断的精度，避免误判漏判问题，同时可以提升汽车发动机热管理系统诊断的自动化程度。
在具体实施例中，进一步包括如何获得样本数据并进行模型训练的过程：
获得在不同车辆工况参数下发动机转速和车速；
根据所述发动机转速和所述车速，获得在不同车辆工况参数下节温器的有效绝对时间以及在所述有效绝对时间内的发动机水温曲线；
根据所述有效绝对时间及其发动机水温曲线，基于分类模型训练获得热管理诊断模型。
以某一车辆工况下的车辆为例，基于监测到的发动机转速和所述车速，确定在该车辆工况下的有效绝对时间，即在该有效绝对时间内的发动机水温是车辆的节温器诊断的有效数据。根据发动机转速和所述车速可以提取有效的发动机水温数据，减少冗余数据，可以提高数据处理效率。
在本发明实施例中，所述分类器模型可以是SVM分类器，SVM分类器是一类按监督学习方式对数据进行二元分类的广义线性分类器，其是一个二类分类器，基于不同车辆工况对应的发动机水温数据对SVM分类器进行训练，可以实现对发动机水温数据的分类，同时使得模型进度达到一定值(例如95％)时完成训练，输出所述热管理诊断模型。
在一种可选的实施例中，所述根据所述有效绝对时间及其发动机水温曲线，基于分类模型训练获得热管理诊断模型，包括：
在所述有效绝对时间开始和结束时刻范围内进行插值处理，获得若干个插值时刻；
根据所述发动机水温曲线，获取各个插值时刻对应的发动机水温，并建立代表插值时刻与发动机水温关系的水温特征矩阵；
对所述水温特征矩阵进行PCA降维处理，得到PCA特征矩阵；
将所述PCA特征矩阵作为训练数据集对预先建立的分类模型进行训练，获得所述热管理诊断模型。
进一步的，所述对所述水温特征矩阵进行PCA降维处理，包括：
计算所述水温特征矩阵的协方差矩阵，并计算所述协方差矩阵的特征向量及其特征值；
对各个所述特征值进行排序，并提取前K个特征值对应特征向量以建立PCA特征矩阵；其中，所述PCA特征矩阵的每一列特征向量表示一种车辆工况下发动机水温；
根据所述节温器故障状态，对所述PCA特征矩阵中每列添加标签值；
其中，当所述节温器故障状态为正常状态时，所述标签值为第一设定值；当所述节温器故障状态为常开故障状态或常闭故障状态时，所述标签值为第二设定值。
以下通过一个具体实施例说明上述模型训练过程。
对处于不同车辆工况参数下的n台车辆对应的有效绝对时间进行1800s插值，可以将所述有效绝对时间划分为1800个时刻点，并基于发动机水温曲线获取每个时刻点的发动机水温，构建n×m维的水温特征矩阵；其中，m＝1800。所述水温特征矩阵的每一列记录了一种车辆工况下车辆在1800个时刻点对应的发动机水温，具体的水温特征矩阵表如下表所示：
考虑到上述水温特征矩阵的数据量庞大，本发明先按照PCA算法对水温特征矩阵进行数据降维，具体的，对于m行n列的水温特征矩阵A：
第一步计算水温特征矩阵A的协方差矩阵S＝(1/m)*(A*AT)；AT表示水温特征矩阵A的转置；
第二步按照(e1，e2…)*S＝r*S公式计算协方差矩阵S的特征向量e1，e2，…，en和特征值r；
第三步将特征向量对应的特征值进行排序，并取k行形成PCA特征矩阵X，PCA特征矩阵X则为n列降维为k列的特征矩阵。优选的，根据节温器诊断经验，在本发明实施例中，k＝3。
进一步的，为了更好的对数据进行分类，基于节温器故障状态设定标签值，当所述节温器故障状态为正常状态时，所述标签值为1；当所述节温器故障状态为常开故障状态或常闭故障状态时，所述标签值为-1。将车辆的当前节温器故障状态对应的标签值添加到PCA特征矩阵X对应列的末位，最终形成包括1，-1标签的PCA特征矩阵X，经过PCA转化后的特征矩阵具有特征明显特点，从而可以提高识别率。降维后的PCA特征矩阵X(k＝3)下表所示：
采用所述PCA特征矩阵X输入到预先建立的SVM分类器进行训练，包括：
将所述PCA特征矩阵中的发动机水温对应的特征向量作为SVM分类器的输入参数，标签值Y(-1代表故障，1代表正常)作为SVM分类器的输出，w为目标超平面的法向量，b为目标超平面截距。按照公式扩展w*X+b＝Y，其中Y∈[-1，1]。如下图2所示，w*X+b＝1代表节温器正常的样本数据边界，w*X+b＝-1代表节温器故障的样本数据边界，w*X+b＝0则代表区分故障与正常样本数据的最大距离平面。将所有已标签的PCA特征矩阵(X，Y)进行输入输出定义，并进行大数据模型训练，可选取合适的超平面法向量w及超平面截距b，使数据区分度最大，通过上述确定出的w，b参数值搭建出热管理诊断模型。
在搭建出热管理诊断模型后，后续只需要输入本车辆的当前发动机转速、当前车速、当前发动机水温以及当前车辆工况参数，调用已训练完成的热管理诊断模型，即可得到热管理诊断结果。进一步，可将该热管理诊断结果发送到车载仪表或ECU，用作车载仪表提醒显示或作为ECU控制策略基础输入。
在一种可选的实施例中，所述根据所述发动机转速和所述车速，获得在不同车辆工况参数下节温器的有效绝对时间以及在所述有效绝对时间内的发动机水温曲线，包括：
对于在任一车辆工况参数下车辆，获取所述发动机转速大于预设的第一阈值时的第一时间点；
获取所述车速达到预设的最大车速时的第二时间点；
根据所述第一时间点和所述第二时间点，获得任一车辆工况参数下的有效绝对时间；
采集在所述有效绝对时间内的发动机水温，得到任一车辆工况参数下的发动机水温曲线。
其中，所述第一阈值等于0。示例性的，在WLTC循环工况下采集的发动机各种参数，按照节温器的相关经验，可以记录发动机转速大于0时的第一时间点作为数据有效的初始时间位置，以及车速达到最大值时的第二时间点作为数据有效的结束时间位置，从而可以得到一个节温器故障诊断的有效时间段，基所述有效绝对时间；同时采集在这有效绝对时间内的发动机水温曲线。
相对于现有技术，本发明实施例的有益效果在于：
1、本发明采用SVM分类器搭建热管理诊断模型，具备广泛适用性、高迭代性，可不断通过模型训练学习提高诊断质量；
2、采用PCA算法进行数据降维，可以提取出特征明显的数据，从而提高识别率；
3、通过调用已搭建的热管理诊断模型，即可获得本车辆的热管理诊断结果，整个热管理诊断过程无需人为标定阈值对节温器进行故障划分，可降低对工程师经验的依赖，减少人员反复标定迭代的投入，缩短整车开发周期，同时，提高节温器故障诊断的精度，避免误判漏判问题，同时可以提升汽车发动机热管理系统诊断的自动化程度。
请参阅图3，本发明第二实施例提供了一种车辆发动机热管理诊断装置，包括：
第一参数监测模块1，用于获取本车辆的当前发动机转速、当前车速、当前发动机水温以及当前车辆工况参数；
热管理诊断模块2，用于根据所述当前发动机转速、当前车速、当前发动机水温以及当前车辆工况参数基于预先训练好的热管理诊断模型进行诊断，获得本车辆的热管理诊断结果；
其中，所述热管理诊断模型为预先根据不同车辆工况参数下发动机转速和车速、相应的节温器的有效绝对时间以及在所述有效绝对时间内的发动机水温曲线基于分类模型训练获得。
在一种可选的实施例中，所述装置还包括：
第二数据获取模块，用于获得在不同车辆工况参数下发动机转速和车速；
水温数据获取模块，用于根据所述发动机转速和所述车速，获得在不同车辆工况参数下节温器的有效绝对时间以及在所述有效绝对时间内的发动机水温曲线；
模型训练模块，用于根据所述有效绝对时间及其发动机水温曲线，基于分类模型训练获得热管理诊断模型。
在一种可选的实施例中，所述模型训练模块包括：
插值单元，用于在所述有效绝对时间开始和结束时刻范围内进行插值处理，获得若干个插值时刻；
特征矩阵建立单元，用于根据所述发动机水温曲线，获取各个插值时刻对应的发动机水温，并建立代表插值时刻与发动机水温关系的水温特征矩阵；
降维单元，用于对所述水温特征矩阵进行PCA降维处理，得到PCA特征矩阵；
模型训练单元，用于将所述PCA特征矩阵作为训练数据集对预先建立的分类模型进行训练，获得所述热管理诊断模型。
在一种可选的实施例中，所述降维单元包括：
特征向量计算单元，用于计算所述水温特征矩阵的协方差矩阵，并计算所述协方差矩阵的特征向量及其特征值；
特征向量提取单元，用于对各个所述特征值进行排序，并提取前K个特征值对应特征向量以建立PCA特征矩阵；其中，所述PCA特征矩阵的每一列特征向量表示一种车辆工况下发动机水温；
标签值条件单元，用于根据所述节温器故障状态，对所述PCA特征矩阵中每列添加标签值；
其中，当所述节温器故障状态为正常状态时，所述标签值为第一设定值；当所述节温器故障状态为常开故障状态或常闭故障状态时，所述标签值为第二设定值。
在一种可选的实施例中，所述水温数据获取模块包括：
第一时间点获取单元，用于对于在任一车辆工况参数下车辆，获取所述发动机转速大于预设的第一阈值时的第一时间点；
第二时间点获取单元，用于获取所述车速达到预设的最大车速时的第二时间点；
有效绝对时间获取单元，用于该根据所述第一时间点和所述第二时间点，获得任一车辆工况参数下的有效绝对时间；
发动机水温曲线采集单元，用于采集在所述有效绝对时间内的发动机水温，得到任一车辆工况参数下的发动机水温曲线。
需要说明的是，本发明实施例所述的车辆发动机热管理诊断装置与第一实施例所述的车辆发动机热管理诊断方法的原理和技术效果相同，在此不再赘述。
请参阅图4，本发明实施例提供的一种车辆发动机热管理诊断设备，包括处理器112和通信模块113；其中，所述通信模块和所述处理器耦合，所述处理器用于运行计算机程序，以实现如第一实施例任一项所述的车辆发动机热管理诊断方法，所述通信模块用于与车辆发动机热管理诊断设备之外的其它模块进行通信。
其中，处理器112可以是中央处理器单元，通用处理器，数字信号处理器，专用集成电路，现场可编程门阵列或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器112也可以是实现计算功能的组合，例如包括一个或多个微处理器组合，数字信号处理器和微处理器的组合等等。通信模块113可以是通信接口、收发器、收发电路或接口电路等。
所述车辆发动机热管理诊断设备还包括存储器111，存储器111可以包括只读存储器和随机存取存储器，并向处理器112提供操作指令和数据。存储器111的一部分还可以包括非易失性随机存取存储器(non-volatile random access memory，NVRAM)。
在一些实施方式中，存储器111存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集：
在本发明实施例中，通过调用存储器111存储的操作指令(该操作指令可存储在操作系统中)，执行相应的操作。
处理器112控制各个设备的操作，处理器112还可以称为中央处理单元(centralprocessing unit，CPU)。存储器111可以包括只读存储器和随机存取存储器，并向处理器112提供指令和数据。存储器111的一部分还可以包括非易失性随机存取存储器(non-volatile random access memory，NVRAM)。例如应用中存储器、通信接口以及存储器通过总线系统耦合在一起，其中总线系统除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。
上述本发明实施例揭示的方法可以应用于处理器112中，或者由处理器112实现。处理器112可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器112中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器112可以是通用处理器、数字信号处理器(digital signal processing，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现成可编程门阵列(field-programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器111，处理器112读取存储器111中的信息，结合其硬件完成上述方法的步骤。
在上述实施例中，存储器存储的供处理器执行的指令可以以计算机程序产品的形式实现。计算机程序产品可以是事先写入在存储器中，也可以是以软件形式下载并安装在存储器中。
计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘solidstatedisk，SSD)等。
本发明第四实施例还提供了一种计算机可读存储介质。上述实施例中描述的方法可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。如果在软件中实现，则功能可以作为一个或多个指令或代码存储在计算机可读介质上或者在计算机可读介质上传输。计算机可读介质可以包括计算机存储介质和通信介质，还可以包括任何可以将计算机程序从一个地方传送到另一个地方的介质。存储介质可以是可由计算机访问的任何目标介质。
作为一种可选的实施例，计算机可读介质可以包括RAM，ROM，EEPROM，CD-ROM或其它光盘存储器，磁盘存储器或其它磁存储设备，或目标于承载的任何其它介质或以指令或数据结构的形式存储所需的程序代码，并且可由计算机访问。而且，任何连接被适当地称为计算机可读介质。例如，如果使用同轴电缆，光纤电缆，双绞线，数字用户线(DSL)或无线技术(如红外，无线电和微波)从网站，服务器或其它远程源传输软件，则同轴电缆，光纤电缆，双绞线，DSL或诸如红外，无线电和微波之类的无线技术包括在介质的定义中。如本文所使用的磁盘和光盘包括光盘(CD)，激光盘，光盘，数字通用光盘(DVD)，软盘和蓝光盘，其中磁盘通常以磁性方式再现数据，而光盘利用激光光学地再现数据。上述的组合也应包括在计算机可读介质的范围内。
本发明实施例还提供了一种计算机程序产品。上述实施例中描述的方法可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。如果在软件中实现，可以全部或者部分得通过计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行上述计算机程序指令时，全部或部分地产生按照上述方法实施例中描述的流程或功能。上述计算机可以是通用计算机、专用计算机、计算机网络、基站、终端或者其它可编程装置。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种车辆发动机热管理诊断方法，其特征在于，包括：
获取本车辆的当前发动机转速、当前车速、当前发动机水温以及当前车辆工况参数；
根据所述当前发动机转速、当前车速、当前发动机水温以及当前车辆工况参数基于预先训练好的热管理诊断模型进行诊断，获得本车辆的热管理诊断结果；
其中，所述热管理诊断模型为预先根据不同车辆工况参数下发动机转速和车速、相应的节温器的有效绝对时间以及在所述有效绝对时间内的发动机水温曲线基于分类模型训练获得；
所述方法还包括：
获得在不同车辆工况参数下发动机转速和车速；
根据所述发动机转速和所述车速，获得在不同车辆工况参数下节温器的有效绝对时间以及在所述有效绝对时间内的发动机水温曲线；
根据所述有效绝对时间及其发动机水温曲线，基于分类模型训练获得热管理诊断模型。
2.如权利要求1所述的车辆发动机热管理诊断方法，其特征在于，所述根据所述有效绝对时间及其发动机水温曲线，基于分类模型训练获得热管理诊断模型，包括：
在所述有效绝对时间开始和结束时刻范围内进行插值处理，获得若干个插值时刻；
根据所述发动机水温曲线，获取各个插值时刻对应的发动机水温，并建立代表插值时刻与发动机水温关系的水温特征矩阵；
对所述水温特征矩阵进行PCA降维处理，得到PCA特征矩阵；
将所述PCA特征矩阵作为训练数据集对预先建立的分类模型进行训练，获得所述热管理诊断模型。
3.如权利要求2所述的车辆发动机热管理诊断方法，其特征在于，所述对所述水温特征矩阵进行PCA降维处理，包括：
计算所述水温特征矩阵的协方差矩阵，并计算所述协方差矩阵的特征向量及其特征值；
对各个所述特征值进行排序，并提取前K个特征值对应特征向量以建立PCA特征矩阵；其中，所述PCA特征矩阵的每一列特征向量表示一种车辆工况下发动机水温；
根据所述节温器故障状态，对所述PCA特征矩阵中每列添加标签值；
其中，当所述节温器故障状态为正常状态时，所述标签值为第一设定值；当所述节温器故障状态为常开故障状态或常闭故障状态时，所述标签值为第二设定值。
4.如权利要求2至3中任一项所述的车辆发动机热管理诊断方法，其特征在于，所述根据所述发动机转速和所述车速，获得在不同车辆工况参数下节温器的有效绝对时间以及在所述有效绝对时间内的发动机水温曲线，包括：
对于在任一车辆工况参数下车辆，获取所述发动机转速大于预设的第一阈值时的第一时间点；
获取所述车速达到预设的最大车速时的第二时间点；
根据所述第一时间点和所述第二时间点，获得任一车辆工况参数下的有效绝对时间；
采集在所述有效绝对时间内的发动机水温，得到任一车辆工况参数下的发动机水温曲线。
5.一种车辆发动机热管理诊断装置，其特征在于，包括：
第一数据获取模块，用于获取本车辆的当前发动机转速、当前车速、当前发动机水温以及当前车辆工况参数；
热管理诊断模块，用于根据所述当前发动机转速、当前车速、当前发动机水温以及当前车辆工况参数基于预先训练好的热管理诊断模型进行诊断，获得本车辆的热管理诊断结果；
其中，所述热管理诊断模型为预先根据不同车辆工况参数下发动机转速和车速、相应的节温器的有效绝对时间以及在所述有效绝对时间内的发动机水温曲线基于分类模型训练获得；
所述装置还包括：
第二数据获取模块，用于获得在不同车辆工况参数下发动机转速和车速；
水温数据获取模块，用于根据所述发动机转速和所述车速，获得在不同车辆工况参数下节温器的有效绝对时间以及在所述有效绝对时间内的发动机水温曲线；
模型训练模块，用于根据所述有效绝对时间及其发动机水温曲线，基于分类模型训练获得热管理诊断模型。
6.如权利要求5所述的车辆发动机热管理诊断装置，其特征在于，所述模型训练模块包括：
插值单元，用于在所述有效绝对时间开始和结束时刻范围内进行插值处理，获得若干个插值时刻；
水温特征矩阵建立单元，用于根据所述发动机水温曲线，获取各个插值时刻对应的发动机水温，并建立代表插值时刻与发动机水温关系的水温特征矩阵；
降维单元，用于对所述水温特征矩阵进行PCA降维处理，得到PCA特征矩阵；
分类模型训练单元，用于将所述PCA特征矩阵作为训练数据集对预先建立的分类模型进行训练，获得所述热管理诊断模型。
7.一种车辆发动机热管理诊断设备，其特征在于，处理器和通信模块；其中，所述通信模块和所述处理器耦合，所述处理器用于运行计算机程序，以实现如权利要求1至4任一项所述的车辆发动机热管理诊断方法，所述通信模块用于与车辆发动机热管理诊断设备之外的其它模块进行通信。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至4任一项所述的车辆发动机热管理诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110608666.5A CN115234371B (zh) | 2021-06-01 | 2021-06-01 | 车辆发动机热管理诊断方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110608666.5A CN115234371B (zh) | 2021-06-01 | 2021-06-01 | 车辆发动机热管理诊断方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115234371A CN115234371A (zh) | 2022-10-25 |
| CN115234371B true CN115234371B (zh) | 2023-09-05 |
Family
ID=83665733
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110608666.5A Active CN115234371B (zh) | 2021-06-01 | 2021-06-01 | 车辆发动机热管理诊断方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115234371B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102011108203A1 (de) * | 2011-07-20 | 2012-05-31 | Daimler Ag | Diagnoseverfahren für eine schaltbare Wasserpumpe |
| JP2012219755A (ja) * | 2011-04-12 | 2012-11-12 | Toyota Motor Corp | サーモスタットの故障診断装置 |
| CN205977391U (zh) * | 2016-07-01 | 2017-02-22 | 宝沃汽车（中国）有限公司 | 一种车辆节温器故障监控装置及车辆 |
| GB2552501A (en) * | 2016-07-26 | 2018-01-31 | Jaguar Land Rover Ltd | Apparatus and method for thermal control |
| CN107956573A (zh) * | 2017-11-24 | 2018-04-24 | 广州汽车集团股份有限公司 | 节温器故障诊断方法、装置、计算机设备以及存储介质 |
| CN109163913A (zh) * | 2018-09-30 | 2019-01-08 | 深圳市元征科技股份有限公司 | 一种汽车故障诊断方法及相关设备 |
| WO2019113098A1 (en) * | 2017-12-07 | 2019-06-13 | Johnson Controls Technology Company | Thermostat with occupancy model training |
| WO2020137802A1 (ja) * | 2018-12-28 | 2020-07-02 | 株式会社荏原製作所 | パッド温度調整装置、パッド温度調整方法、研磨装置、および研磨システム |
| CN112761773A (zh) * | 2021-01-26 | 2021-05-07 | 联合汽车电子有限公司 | 一种节温器故障诊断方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10001713A1 (de) * | 2000-01-18 | 2001-07-19 | Bosch Gmbh Robert | Verfahren zur Fehlererkennung eines Kühlsystems eines Kraftfahrzeug-Motors |
| US20190078833A1 (en) * | 2017-09-12 | 2019-03-14 | Visible Energy, Inc. | Cloud-based energy saving method for walk-in refrigerators |
-
2021
- 2021-06-01 CN CN202110608666.5A patent/CN115234371B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012219755A (ja) * | 2011-04-12 | 2012-11-12 | Toyota Motor Corp | サーモスタットの故障診断装置 |
| DE102011108203A1 (de) * | 2011-07-20 | 2012-05-31 | Daimler Ag | Diagnoseverfahren für eine schaltbare Wasserpumpe |
| CN205977391U (zh) * | 2016-07-01 | 2017-02-22 | 宝沃汽车（中国）有限公司 | 一种车辆节温器故障监控装置及车辆 |
| GB2552501A (en) * | 2016-07-26 | 2018-01-31 | Jaguar Land Rover Ltd | Apparatus and method for thermal control |
| CN107956573A (zh) * | 2017-11-24 | 2018-04-24 | 广州汽车集团股份有限公司 | 节温器故障诊断方法、装置、计算机设备以及存储介质 |
| WO2019100887A1 (zh) * | 2017-11-24 | 2019-05-31 | 广州汽车集团股份有限公司 | 节温器故障诊断方法、装置、计算机设备以及存储介质 |
| WO2019113098A1 (en) * | 2017-12-07 | 2019-06-13 | Johnson Controls Technology Company | Thermostat with occupancy model training |
| CN109163913A (zh) * | 2018-09-30 | 2019-01-08 | 深圳市元征科技股份有限公司 | 一种汽车故障诊断方法及相关设备 |
| WO2020137802A1 (ja) * | 2018-12-28 | 2020-07-02 | 株式会社荏原製作所 | パッド温度調整装置、パッド温度調整方法、研磨装置、および研磨システム |
| CN112761773A (zh) * | 2021-01-26 | 2021-05-07 | 联合汽车电子有限公司 | 一种节温器故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于AMESim汽车冷却系统热管理影响因素分析;杨英;盘飞;;机械设计与制造(05);第300-303页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115234371A (zh) | 2022-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110852983B (zh) | 用于检测半导体装置中的缺陷的方法 | |
| CN111460617A (zh) | 一种基于神经网络的igbt结温预测方法 | |
| US20190278684A1 (en) | Distributed Architecture for Fault Monitoring | |
| CN116780316B (zh) | 大功率固体激光器的散热系统 | |
| WO2023104120A1 (zh) | 故障检测方法及装置 | |
| CN111813618A (zh) | 数据异常检测方法、装置、设备及存储介质 | |
| CN108875108A (zh) | 一种基于pca和brb的轨道车辆电路故障诊断方法 | |
| WO2021084623A1 (ja) | 劣化抑制プログラム、劣化抑制方法および情報処理装置 | |
| WO2021079442A1 (ja) | 推定プログラム、推定方法、情報処理装置、再学習プログラムおよび再学習方法 | |
| CN115234371B (zh) | 车辆发动机热管理诊断方法、装置、设备及存储介质 | |
| CN112613617A (zh) | 基于回归模型的不确定性估计方法和装置 | |
| Mohamed et al. | Thermal Images Captured and Classifier-based Fault Detection System for Electric Motors Through ML Based Model | |
| CN115470717A (zh) | 一种机器人剩余寿命预测方法、装置、设备及存储介质 | |
| Masdoua et al. | Fault detection and diagnosis in AHU system with data driven approaches | |
| CN110717601A (zh) | 一种基于有监督学习和无监督学习的反欺诈方法 | |
| CN117574328B (zh) | 基于扭矩数据的联轴器打滑分析方法及系统 | |
| CN111736574B (zh) | 一种通用的火电厂故障诊断系统及其诊断方法 | |
| WO2022024315A1 (ja) | 精度推定プログラム、装置、及び方法 | |
| CN113188235A (zh) | 空调系统内传感器多源故障诊断方法、系统及设备 | |
| CN117951646A (zh) | 一种基于边缘云的数据融合方法及系统 | |
| CN117279336A (zh) | 吸附式智能温控散热装置的散热控制方法 | |
| CN117251114A (zh) | 模型训练方法、磁盘寿命预测方法、相关装置及设备 | |
| CN116910499A (zh) | 一种系统状态监测方法、装置、电子设备及可读存储介质 | |
| CN111988192A (zh) | 一种基于机器学习的列车通信网络故障诊断方法 | |
| CN116594446A (zh) | 一种大数据中心温控方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |