CN104568344A - Egr管路故障检测诊断方法 - Google Patents
Egr管路故障检测诊断方法 Download PDFInfo
- Publication number
- CN104568344A CN104568344A CN201410527573.XA CN201410527573A CN104568344A CN 104568344 A CN104568344 A CN 104568344A CN 201410527573 A CN201410527573 A CN 201410527573A CN 104568344 A CN104568344 A CN 104568344A
- Authority
- CN
- China
- Prior art keywords
- data
- egr
- rvm
- rvm model
- diagnosis method
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000003745 diagnosis Methods 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 title abstract description 11
- 239000002245 particle Substances 0.000 claims abstract description 34
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 13
- 238000012546 transfer Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 15
- 230000008569 process Effects 0.000 abstract description 5
- 230000007812 deficiency Effects 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 15
- 239000007789 gas Substances 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 230000007257 malfunction Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Exhaust-Gas Circulating Devices (AREA)
Abstract
本发明涉及一种EGR管路故障检测诊断方法，属于发动机领域，其步骤包括：步骤一、利用已知管路数据建立数据库，并进行数据预处理；步骤二、建立RVM模型，利用粒子群算法优化训练RVM模型参数；步骤三、利用已知数据库训练建立的RVM模型；步骤四、采用RVM模型对待EGR管路测数据进行诊断分析；步骤五、建立检测数据结果与EGR管路状态之间的对应关系。本发明中使用了角度传感器和压力传感器分别设置于EGR阀和涡轮增压器前，能够检测到正常工作状态下的和故障状态下的EGR阀开度变化控制的过程中EGR阀的开度变化幅度与压力值变化幅度的对应关系，增大了检测结果的准确率，解决了现有技术中检测EGR管路时功能的不足。
Description
技术领域
本发明涉及发动机领域，具体涉及一种EGR管路故障检测诊断方法。
背景技术
发动机作为工程机械的心脏，其性能的优劣直接关系到工程机械整个系统运行的动力性、经济性，可靠性，环保性以及安全性。随着发动机强化程度的提高，发动机的结构也变得非常复杂，工作条件也十分恶劣，发生故障的可能性大大增加。
发动机中的排气再循环（ExhaustGasRecirculation，EGR）是指发动机在燃烧后将排出气体的一部分导入吸气侧使其再度吸气的技术。其主要目的是可以降低排出气体中的氮氧化物（NO x）与分担部分负荷时可提高燃料消费率。
对于EGR发动机来说，需要对EGR系统的故障进行相应的检测来保证发动机运行的安全性。其中，EGR阀本身的故障诊断可以通过EGR阀自身传感器来进行电气故障判断卡滞或电气损坏；此外，还需要对EGR管路的漏气或者阻塞进行判断；对此，现有技术中的方式为，采用进气流量传感器对进气流量检测，从而可以根据进气流量是否超过预设的检测值来判断EGR管路是否存在漏气或者阻塞。但是EGR管路的电压或电阻问题导致发动机会出现启动困难、怠速抖动、加速不良等状况，是进气流量传感器检测不到的问题，影响发动机的正常使用。
发明内容
为了克服现有技术中检测EGR管路时功能的不足，本发明提供一种EGR管路故障检测诊断方法。
本发明的技术方案是： 一种EGR管路故障检测诊断方法，其步骤包括：
步骤一、利用已知管路数据建立数据库，并进行数据预处理；
步骤二、建立RVM模型，利用粒子群算法优化训练RVM模型参数；
步骤三、利用已知数据库训练建立的RVM模型；
步骤四、采用RVM模型对待EGR管路测数据进行诊断分析；
步骤五、建立检测数据结果与EGR管路状态之间的对应关系。
所述步骤一中的数据预处理是对数据进行归一化处理。
所述步骤二中的粒子群算法步骤为：
A. 初始化粒子群: 确定粒子群的规模，初始位置和速度，根据约束条件对每个粒子初始化拉格朗日因子a 的值；
B. 计算每一个粒子的目标函数值，即所要优化函数的值；
C. 更新每一个粒子a 的位置局部最优值Pbest和全局最优值Gbest；
D. 更新每一个粒子a的飞行速度和位置；
E. 判断数据是否达到RVM模型标准，达到标准跳出循环，并计算相关系数，否则返回的步骤2) ，直到满足迭代的次数；
F. 返回最优a 的值，并将最优化的参数传递给ＲVM 模型。
G. 根据权利要求1所述的EGR管路故障检测诊断方法，其特征在于，所述步骤四中的待测数据包括设于涡轮增压器前的压力传感器获取的实时压力数据和设于EGR阀的角度传感器测量的角度变化数据。
所述步骤四使用的RVM模型为“一对一”RVM分类器。
本发明有如下积极效果：本发明中使用了角度传感器和压力传感器分别设置于EGR阀和涡轮增压器前，能够检测到正常工作状态下的和故障状态下的EGR阀开度变化控制的过程中EGR阀的开度变化幅度与压力值变化幅度的对应关系，经过利用粒子群算法优化过的RVM模型进行数据对比和分析，增大了检测结果的准确率，同时该方法除了能够检测EGR管路是否故障，还能够检测EGR管路是漏气故障还是堵塞故障，明确了故障检测的结果，方便了工作人员的查看和维修。
附图说明
图1 是本发明中EGR管路故障检测诊断方法的工作流程图；
图2 是本发明中粒子群算法的工作流程图；
图3 是本发明中EGR管路故障检测诊断方法的工作结构图。
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。
如图1-图3所示，一种EGR管路故障检测诊断方法，其步骤包括：
S01步骤一、利用已知数据建立数据库，并进行数据预处理。已知数据库中的数据是正常工作状态下设于涡轮增压器前的压力传感器根据设于EGR阀的角度传感器测量的角度变化时测得的实时压力数据，是EGR阀的开度角度变化时对应的压力数据，此数据是正常工作状态下即非故障状态时的数据构成已知数据库。预处理是对数据进行归一化处理，归一化可以加快训练网络的收敛性， 归一化的具体作用是归纳统一样本的统计分布性。无论是为了建模还是为了计算，首先基本度量单位要同一，粒子群算法是以样本在事件中的统计分别几率来进行训练和预测的，归一化是同一在0-1之间的统计概率分布；SVM是以降维后线性划分距离来分类和仿真的，因此时空降维归一化是统一在-1--+1之间的统计坐标分布。
S02步骤二、建立RVM模型，利用粒子群算法优化训练RVM模型参数。建立RVM模型首先选择合适的函数，并对其超参数进行PSO 优化训练，建立合适的ＲVM 模型，利用粒子群算法优化训练RVM模型参数，让模型更容易收敛，运算速度更快。建立RVM模型时，先利用已知样本数据库进行粒子群算法优化训练成功建立模型，已知样本数据库的建立是在EGR管路正常状态时获得保存的。
核函数的选择时常用的RVM核函数有4 种:
线性核函数:
多项式核函数:
高斯径向基( RBF) 核函数:
Sigmoid 核函数:
选择合适的核函数是该方法能成功使用的关键，通过测试验证训练，比较各自泛化性能,本文选择RBF 核函数作为故障诊断的RVM模型。
粒子群优化算法( particle swarm optimization，PSO) ，是由Kennedy 和Eberhart 于1995 年首次提出的一种基于迭代的寻优算法［8］。该算法是对鸟群社会行为的模拟，PSO 算法和遗传算法类似，是一种基于群体( population) 的优化算法，每个粒子通过和其他粒子进行信息交互，调整自己的进化方向，以及避免陷入局部最优；同时，PSO 算法采用不同于遗传算法的随机搜索策略，操作起来要比遗传算法简便得多，因此在解决某些优化问题时显示出更卓越的性能。
本文利用粒子群优化算法优化相关向量机中的拉格朗日乘子，通过利用PSO 寻找拉格朗日乘子这个向量满足ＲVM 中约束条件的各个分量的最优值，使得两分类之间的间隔距离最大，从而构造出最优超平面。初始化粒子群时，应不断判断直到各粒子随机的初始值满足所优化的相关向量机中的约束条件。PSO 优化相关向量机的拉格朗日乘子a 通过调用编写的M 文件子程序pso．m 实现。每个粒子a的每个分量通过自身学习和向其他粒子学习，不断更新自身速度和位置，达到全局最优。
粒子群算法的步骤为：
A. 初始化粒子群: 确定粒子群的规模，初始位置和速度，根据约束条件对每个粒子初始化拉格朗日因子a 的值；
B. 计算每一个粒子的目标函数值，即所要优化函数的值；
C. 更新每一个粒子a 的位置局部最优值Pbest和全局最优值Gbest；
D. 更新每一个粒子a的飞行速度和位置；
E. 判断数据是否达到RVM模型标准，达到标准跳出循环，并计算相关系数，否则返回的步骤2) ，直到满足迭代的次数；
F. 返回最优a 的值，并将最优化的参数传递给ＲVM 模型。
经过超参数优化训练后得到的RVM模型，即可用于数据的分类和处理。PSO 对RVM 算法的参数优化过程如图2 所示。
RVM算法中超参数的选择对RVM 算法的分类准确率起着决定性的作用，以往常用的参数寻优方法多采用人为列举寻优、交叉验证等方式设置参数，但是此类方法所需时间过长，同时还存在容易陷入局部最优的问题。粒子群算法是一种高效的全局寻优算法，可用于机器学习算法的参数优化设置。本文采用PSO 算法优化RVM算法的超参数设置，从而建立故障诊断的机器模型。
S03步骤三、利用已知数据库训练建立的RVM模型。已知样本数据库已经建立，步骤二中是利用粒子群算法对RVM模型参数进行优化训练，得到一个合适的RVM模型，可用于数据的分类处理。步骤三为利用已知数据库对RVM模型进行机器训练，即记录正常稳定状态下的数据，可以保证故障模式的区分和模型的使用。
在稳定工况下，EGR阀的开度变化会使得涡轮增压器前的压力产生相应的变化，涡轮增压器前的压力的变化情况可以通过此处的压力传感器获取的压力值来获得。在稳定工况近似的情况下，特别是在同一稳定工况下，当EGR 管路为非故障时，EGR 阀的开度进行一定幅度的变化，会使得设于涡轮增压器前的压力传感器获得的压力值也随之进行相应幅度的变化；而当EGR管路堵塞或是漏气时，如果还是将EGR阀的开度进行原有幅度的变化，此时设于涡轮增压器前的压力传感器获得的压力值的变化幅度就会与原有的变化幅度有较大的差异。RVM模型经过已知数据训练后，会记录下正常非故障状态下，角度变化对应的压力值，保存下来与故障状态下的数据进行对比。
S04步骤四、采用RVM模型对待测数据进行诊断分析。待测数据包括设于涡轮增压器前的压力传感器获取的实时压力数据设于EGR阀的角度传感器测量的角度变化数据，压力传感器代替了传统的进气流传感器，结合设置于EGR阀的角度传感器能够更加测量EGR管路的故障问题，降低了现有技术中误判断率。
故障状态下，角度变化对应的压力值与非故障状态下的数据对比，肯定是有变化的，所以，采用RVM模型对待测数据进行诊断分析。如果EGR 管路堵塞，此时将EGR 阀的开度进行原有幅度的变化，此时设于涡轮增压器前的压力传感器所获得的压力值的变化幅度就比原有的变化幅度大很多。此外，如果EGR管路漏气，此时将EGR阀的开度进行原有幅度的变化，此时设于涡轮增压器前的压力传感器所获得的压力值的变化幅度就比原有的变化幅度小很多。
故障诊断时，采用的RVM模型为“一对一”RVM分类器，为了进行多类判别，这里采用了“一对一”RVM分类器，该分类器在目前RVM多分类方法中应用最广泛，且分类精度相对较高。
S05步骤五、建立检测数据结果与EGR管路状态之间的对应关系。图3 中所示的3个类别ABC分别代表3种EGR管路的状态：非故障、漏气故障和堵塞故障。
待测数据就是EGR管路故障检测时保存的EGR阀的开度变化时角度传感器对应的涡轮增压器前的压力传感器的数据，待测数据经过RVM模型诊断分析后，输出的结果为EGR管路漏气故障、EGR管路堵塞故障或非故障状态。
当正常状态下的压力数据与待测状态下的压力数据的差值属于预设区间值时，判定EGR管路为非故障。当正常状态下的压力数据与待测状态下的压力数据的差值小于所述预设区间值的最小值时，判定EGR管路为漏气故障。当正常状态下的压力数据与待测状态下的压力数据的差值大于所述预设区间值的最大值时，判定所述EGR 管路为堵塞故障。
RVM模型对数据进行了分类处理，可以把待测数据与已知数据库的相似类别的数据进行比较，不是常规处理器的单独或标准值的比较，大量数据的对比分析会使得诊断结果的准确度更高，误报率大大减小，提高了检测工作的准确率，减轻了工作人员的工作量。
如图3所示，故障检测输出故障类型后，本检测方法还在运行中。故障类型输出后，同时检测发动机是否工作，如果发动机已经停止工作，则检测系统可以结束工作；如果发动机继续运行中，则角度和压力传感器继续实时监测任务，传感器输出的数据进行预处理后作为待测数据等待RVM模型预测诊断的检测循环系统中，继续检测EGR管路的运行状态，保证发动机的正常工作。
上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。
Claims (5)
1.一种EGR管路故障检测诊断方法，其特征在于，其步骤包括：
步骤一、利用已知管路数据建立数据库，并进行数据预处理；
步骤二、建立RVM模型，利用粒子群算法优化训练RVM模型参数；
步骤三、利用已知数据库训练建立的RVM模型；
步骤四、采用RVM模型对待测EGR管路数据进行诊断分析；
步骤五、建立检测数据结果与EGR管路状态之间的对应关系。
2.根据权利要求1所述的EGR管路故障检测诊断方法，其特征在于，所述步骤一中的数据预处理是对数据进行归一化处理。
3.根据权利要求1所述的EGR管路故障检测诊断方法，其特征在于，所述步骤二中的粒子群算法步骤为：
初始化粒子群: 确定粒子群的规模，初始位置和速度，根据约束条件对每个粒子初始化拉格朗日因子a 的值；
计算每一个粒子的目标函数值，即所要优化函数的值；
更新每一个粒子a 的位置局部最优值Pbest和全局最优值Gbest；
更新每一个粒子a的飞行速度和位置；
判断数据是否达到RVM模型标准，达到标准跳出循环，并计算相关系数，否则返回的步骤2) ，直到满足迭代的次数；
返回最优a 的值，并将最优化的参数传递给ＲVM 模型。
4.根据权利要求1所述的EGR管路故障检测诊断方法，其特征在于，所述步骤四中的待测数据包括设于涡轮增压器前的压力传感器获取的实时压力数据和设于EGR阀的角度传感器测量的角度变化数据。
5.根据权利要求1所述的EGR管路故障检测诊断方法，其特征在于，所述步骤四使用的RVM模型为“一对一”RVM分类器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410527573.XA CN104568344A (zh) | 2014-10-09 | 2014-10-09 | Egr管路故障检测诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410527573.XA CN104568344A (zh) | 2014-10-09 | 2014-10-09 | Egr管路故障检测诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN104568344A true CN104568344A (zh) | 2015-04-29 |
Family
ID=53084925
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410527573.XA Pending CN104568344A (zh) | 2014-10-09 | 2014-10-09 | Egr管路故障检测诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104568344A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106768071A (zh) * | 2017-01-24 | 2017-05-31 | 桂林师范高等专科学校 | 污水监测系统 |
| CN107941436A (zh) * | 2016-10-13 | 2018-04-20 | 福建宁德核电有限公司 | 一种计算逆止阀泄漏率的方法及装置 |
| CN111780933A (zh) * | 2020-07-01 | 2020-10-16 | 华能国际电力股份有限公司大连电厂 | 基于神经网络及热力学建模诊断高压加热器泄漏故障的方法及系统 |
| CN113412419A (zh) * | 2018-12-07 | 2021-09-17 | 阿特拉斯·科普柯空气动力股份有限公司 | 气体网络和用于检测在压力下或在真空下的气体网络中的泄漏的方法 |
| CN113887770A (zh) * | 2020-07-01 | 2022-01-04 | 哈尔滨工业大学（威海） | 基于问题解耦的航空发动机全寿命维修决策优化算法 |
| CN114252213A (zh) * | 2021-12-22 | 2022-03-29 | 北京金茂人居环境科技有限公司 | 一种暖通循环管路漏水监测系统及控制方法 |
| CN115096596A (zh) * | 2022-06-27 | 2022-09-23 | 中国第一汽车股份有限公司 | 发动机低压egr系统的诊断方法、装置、设备及介质 |
| CN119038200A (zh) * | 2024-09-04 | 2024-11-29 | 无锡锦洋重工有限公司 | 一种防堵塞真空上料机 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040206074A1 (en) * | 2002-09-06 | 2004-10-21 | Yoshiyuki Akao | Failure detection apparatus for an internal combustion engine |
| WO2011132289A1 (ja) * | 2010-04-22 | 2011-10-27 | トヨタ自動車株式会社 | Ｅｇｒシステムの異常検出装置及び異常検出方法 |
| CN102893011A (zh) * | 2010-05-11 | 2013-01-23 | 丰田自动车株式会社 | 内燃机的egr率的确定方法以及内燃机的控制装置 |
| CN103726930A (zh) * | 2013-12-09 | 2014-04-16 | 潍柴动力股份有限公司 | 一种排气再循环发动机的故障检测装置及方法 |
| CN103759907A (zh) * | 2014-01-23 | 2014-04-30 | 潍柴动力股份有限公司 | 一种egr管路故障检测方法 |
-
2014
- 2014-10-09 CN CN201410527573.XA patent/CN104568344A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040206074A1 (en) * | 2002-09-06 | 2004-10-21 | Yoshiyuki Akao | Failure detection apparatus for an internal combustion engine |
| WO2011132289A1 (ja) * | 2010-04-22 | 2011-10-27 | トヨタ自動車株式会社 | Ｅｇｒシステムの異常検出装置及び異常検出方法 |
| CN102893011A (zh) * | 2010-05-11 | 2013-01-23 | 丰田自动车株式会社 | 内燃机的egr率的确定方法以及内燃机的控制装置 |
| CN103726930A (zh) * | 2013-12-09 | 2014-04-16 | 潍柴动力股份有限公司 | 一种排气再循环发动机的故障检测装置及方法 |
| CN103759907A (zh) * | 2014-01-23 | 2014-04-30 | 潍柴动力股份有限公司 | 一种egr管路故障检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 宋进桂: "废气再循环系统的故障分析与诊断", 《拖拉机与农用运输车》 * |
| 毕晓君 等: "基于PSO-RVM算法的发动机故障诊断", 《哈尔滨工程大学学报》 * |
| 胡明江 等: "应用回声状态网络的EGR阀电路在线诊断", 《振动、测试与诊断》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107941436A (zh) * | 2016-10-13 | 2018-04-20 | 福建宁德核电有限公司 | 一种计算逆止阀泄漏率的方法及装置 |
| CN107941436B (zh) * | 2016-10-13 | 2020-01-31 | 福建宁德核电有限公司 | 一种计算逆止阀泄漏率的方法及装置 |
| CN106768071A (zh) * | 2017-01-24 | 2017-05-31 | 桂林师范高等专科学校 | 污水监测系统 |
| CN113412419A (zh) * | 2018-12-07 | 2021-09-17 | 阿特拉斯·科普柯空气动力股份有限公司 | 气体网络和用于检测在压力下或在真空下的气体网络中的泄漏的方法 |
| CN113412419B (zh) * | 2018-12-07 | 2024-05-28 | 阿特拉斯·科普柯空气动力股份有限公司 | 气体网络和用于检测气体网络中的泄漏的方法 |
| CN111780933A (zh) * | 2020-07-01 | 2020-10-16 | 华能国际电力股份有限公司大连电厂 | 基于神经网络及热力学建模诊断高压加热器泄漏故障的方法及系统 |
| CN113887770A (zh) * | 2020-07-01 | 2022-01-04 | 哈尔滨工业大学（威海） | 基于问题解耦的航空发动机全寿命维修决策优化算法 |
| CN111780933B (zh) * | 2020-07-01 | 2022-04-15 | 华能国际电力股份有限公司大连电厂 | 基于神经网络及热力学建模诊断高压加热器泄漏故障的方法及系统 |
| CN113887770B (zh) * | 2020-07-01 | 2024-04-16 | 哈尔滨工业大学（威海） | 基于问题解耦的航空发动机全寿命维修决策优化算法 |
| CN114252213A (zh) * | 2021-12-22 | 2022-03-29 | 北京金茂人居环境科技有限公司 | 一种暖通循环管路漏水监测系统及控制方法 |
| CN115096596A (zh) * | 2022-06-27 | 2022-09-23 | 中国第一汽车股份有限公司 | 发动机低压egr系统的诊断方法、装置、设备及介质 |
| CN119038200A (zh) * | 2024-09-04 | 2024-11-29 | 无锡锦洋重工有限公司 | 一种防堵塞真空上料机 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104568344A (zh) | Egr管路故障检测诊断方法 | |
| Mohammadpour et al. | A survey on diagnostic methods for automotive engines | |
| US8793004B2 (en) | Virtual sensor system and method for generating output parameters | |
| CN104598813A (zh) | 一种基于集成学习和半监督svm的计算机入侵检测方法 | |
| CN113807418A (zh) | 一种基于高斯混合模型的注塑机能耗异常检测方法及系统 | |
| Singh et al. | Hybrid physics-infused 1D-CNN based deep learning framework for diesel engine fault diagnostics | |
| Du et al. | Research on fault diagnosis of automobile engines based on the deep learning 1D-CNN method | |
| CN119106455B (zh) | 基于区块链的碳汇计量监测系统及方法 | |
| Yang et al. | Enhancing vehicular emissions monitoring: A GA-GRU-based soft sensors approach for HDDVs | |
| Boccardo et al. | Development of a virtual methodology based on physical and data-driven models to optimize engine calibration | |
| Lin et al. | A highly imbalanced assembly vibration prediction of aero-engine using feature selection and data augmentation | |
| CN104594969B (zh) | 油压故障检测方法 | |
| Calvo-Bascones et al. | Advanced Prognosis methodology based on behavioral indicators and Chained Sequential Memory Neural Networks with a diesel engine application | |
| Zhou et al. | Deep learning approach for super-knock event prediction of petrol engine with sample imbalance | |
| CN204027820U (zh) | 汽车空调故障检测系统 | |
| CN119939443A (zh) | 基于半监督多尺度卷积自编码器和生成对抗网络的设备异常检测方法 | |
| Miao et al. | Research on abnormal data detection of gas boiler supply based on deep learning network | |
| Smits et al. | Excitation signal design and modeling benchmark of nox emissions of a diesel engine | |
| Lu et al. | NOX Emission Prediction of Diesel Engine Based on GWO-LSTM | |
| CN107480647B (zh) | 基于归纳式一致性异常检测的异常行为实时检测方法 | |
| CN117390967A (zh) | 海上风电短期功率预测方法、装置、设备及存储介质 | |
| Li et al. | Research on Remaining Useful Life Prediction of Dual-fuel Main EngineBased on CBAM Attention Mechanism | |
| Hofny et al. | Comparative Study of ANN and SVM Model Network Performance for Predicting Brake Power in SI Engines Using E15 Fuel. | |
| Soltanalizadeh et al. | Automatic smooth map generation of internal combustion engines via local-global model based calibration technique | |
| Zhong et al. | Research on fusion diagnosis method of thermal fault of Marine diesel engine |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150429 |