一种汽车发动机高维非线性轮廓异常检测与类型识别方法

摘要: 本发明涉及汽车发动机质量监测及统计过程控制,具体涉及一种汽车发动机高维非线性轮廓异常检测与类型识别方法。背景技术:1、汽车发动机台架试验过程中采集的振动信号能够...
一种汽车发动机高维非线性轮廓异常检测与类型识别方法

本发明涉及汽车发动机质量监测及统计过程控制,具体涉及一种汽车发动机高维非线性轮廓异常检测与类型识别方法。

背景技术:

1、汽车发动机台架试验过程中采集的振动信号能够反映发动机的装配状态及运行状态。由于发动机不同部位的结构、连接关系和振动传递路径存在差异,其表面各测点的振动响应也有所不同。通过多个固定测点采集振动信号,提取振动特征并按照预设的测点空间顺序进行排列,可以形成描述发动机振动状态的轮廓数据,为发动机质量检测提供依据。

2、随着测点数量增加,轮廓数据的维数相应增大,各测点振动特征之间还可能存在复杂的非线性关联。对各测点分别设置阈值进行判断,难以充分利用测点之间的关联信息;采用依赖预设函数形式或线性映射的轮廓建模方法,也可能难以充分表征实际轮廓的非线性变化。因此,如何提取汽车发动机高维非线性轮廓的主要结构,并据此识别偏离参考状态的变化,是多测点振动质量监测中需要解决的问题。

3、变分自编码器能够通过编码和重构学习高维数据的低维潜在表示,并利用输入与重构结果之间的差异构建异常检测指标。然而,用于模型训练的历史参考样本中可能混入少量未识别的异常数据。在常规重构目标下,这些样本中的异常结构可能被模型部分学习,使后续异常样本与参考样本之间的重构误差差异减小,从而削弱重构误差对异常变化的区分能力。

4、将轮廓重构误差用于统计过程控制时,还需要兼顾对当前变化的响应和对历史变化的累积。固定平滑参数的指数加权移动平均控制图,对当前重构误差与前一监控统计量采用固定的权重分配,难以同时适应缓慢累积变化和较明显突变的监测需求。此外,若历史参考样本中包含较大的异常重构误差,直接利用这些样本估计控制上限,可能使控制上限偏高,导致后续异常变化不易触发报警。

5、异常报警后,还需要进一步确定异常类型,以支持发动机质量问题的检查和分析。利用带有异常类型标签的轮廓样本训练分类模型,可以对已知异常类型进行判别。然而,当待识别样本与已有各类训练样本均存在较大差异时,仅在预设类别之间进行选择的分类模型仍可能输出某一已知类别。该分类结果本身不能充分说明样本是否适合归入对应类别,可能造成异常类型误判。因此,有必要在轮廓异常检测的基础上,提高已知异常类型判别的可靠性,并为无法可靠归类的异常样本提供进一步检查的依据。

技术实现思路

1、本发明旨在提供一种汽车发动机高维非线性轮廓异常检测与类型识别方法,减弱历史参考样本中少量未识别异常数据对轮廓建模和控制上限确定的影响,根据轮廓重构误差及其历史信息进行过程监测,并在检测到异常后识别已知异常类型,对被拒识的样本保留异常报警和复核信息。

2、为实现上述目的,本发明采用如下技术方案:

3、一种汽车发动机高维非线性轮廓异常检测与类型识别方法,包括以下步骤:

4、s1、获取汽车发动机历史台架试验中多个固定测点的振动信号,提取各测点的振动特征,并按照测点在发动机表面的预设空间顺序排列,构建汽车发动机高维非线性轮廓;利用历史轮廓样本确定缺失值填补模型和归一化参数,完成预处理,得到用于参考建模的历史参考样本集。

5、s2、利用历史参考样本集训练基于散度的鲁棒变分自编码器,通过训练完成的模型对各历史参考样本进行重构,并根据输入轮廓与重构轮廓之间的差异计算重构误差。

6、s3、以历史参考样本的重构误差为输入,构建鲁棒自适应指数加权移动平均控制图,根据当前重构误差及其历史信息调整平滑参数,并采用加权bootstrap重抽样确定控制上限。

7、s4、获取带有已知异常类型标签的轮廓样本,采用步骤s1确定的预处理模型和参数进行处理,并按照异常类型分别划分训练样本和校准样本;利用训练样本训练多分类支持向量机模型,确定类别相似度的计算规则,并利用校准样本确定各已知异常类型的拒识阈值。

8、s5、获取待监测汽车发动机的多测点振动信号,按照步骤s1的特征提取、轮廓构建及预处理规则得到待监测轮廓;采用与历史参考样本相同的重构方式计算当前样本的重构误差,并输入步骤s3构建的控制图,递推计算监控统计量。监控统计量不超过控制上限时,输出受控判定结果;超过控制上限时,触发轮廓异常报警,利用步骤s4训练完成的多分类支持向量机模型确定候选异常类型,计算当前样本相对于该类型的类别相似度,并与对应的拒识阈值比较,进行拒识决策。类别相似度不低于拒识阈值时,输出候选异常类型作为类型识别结果;低于拒识阈值时,执行步骤s6。

9、s6、对于类别相似度低于候选异常类型对应拒识阈值的样本,拒绝该候选分类结果,保留异常报警并输出未知类型异常标识;关联保存样本标识、轮廓数据、候选异常类型、类别相似度及对应拒识阈值,形成待复核记录,并生成异常类型复核提示。

10、进一步地,步骤s1中,通过快速傅里叶变换将各固定测点的振动信号由时域转换至频域,并对频域振动信号进行滤波和特征提取。利用历史轮廓样本拟合缺失值填补模型,根据填补后的样本确定各维振动特征的归一化参数。保存所确定的模型和参数,供已知异常类型样本及待监测样本预处理时使用。

11、进一步地,步骤s2中,鲁棒变分自编码器包括编码器和解码器。编码器根据输入轮廓生成潜在变量近似后验分布的均值向量和标准差向量,通过重参数化采样获得潜在变量,并由解码器生成对应的重构轮廓。

12、针对历史参考样本中可能混入少量未识别异常数据的情况,在变分自编码器的似然建模项中引入散度,以鲁棒重构项替代标准变分自编码器中的重构似然项,并保留近似后验分布与潜在变量先验分布之间的kl散度正则项。在高斯解码器条件下,第个样本的鲁棒目标函数为:

13、

14、其中,表示第个预处理后的轮廓向量,表示对应的重构轮廓向量;和分别表示编码器参数和解码器参数;表示潜在变量,表示近似后验分布, 表示潜在变量先验分布;为鲁棒性调节参数,为轮廓特征维数,为高斯解码器条件分布的方差,表示 kl 散度。

15、随着样本重构误差增大,鲁棒重构项中的指数衰减因子减小,从而减弱较大重构误差样本对重构项优化的影响。以最大化历史参考样本的鲁棒目标函数均值为优化目标,迭代更新编码器参数和解码器参数,得到训练完成的鲁棒变分自编码器。

16、固定训练完成的模型参数,按照编码、重参数化采样及解码方式对历史参考样本进行重构,第个样本的重构误差为:

17、

18、将所得重构误差作为后续鲁棒自适应指数加权移动平均控制图的输入。

19、进一步地,步骤s3中,第个样本对应的监控统计量按下式递推计算:

20、

21、其中,表示当前样本的监控统计量,表示第个样本对应的自适应平滑参数,表示前一时刻的监控统计量;初始监控统计量取历史参考样本重构误差的均值;

22、根据当前重构误差及其历史信息确定自适应平滑参数:

23、

24、其中,表示基准平滑参数,表示当前样本之前的历史重构误差信息,表示调整函数,其计算方式为:

25、

26、其中,表示历史重构误差加权项,采用指数衰减方式计算:

27、

28、其中,表示历史滑动窗口长度,表示历史样本索引,表示历史权重衰减因子,使距离当前样本较近的重构误差具有较大的权重;

29、进一步地,基于历史参考样本的重构误差构建加权bootstrap重抽样分布。设历史参考样本重构误差序列为,其中表示历史参考样本数量;设为降权阈值,其中取0.95,即为历史参考样本重构误差的95%经验分位数。根据各样本的重构误差及所述降权阈值确定其bootstrap抽样权重。第个历史参考样本的抽样权重及归一化抽样概率分别为:

30、

31、其中,表示最小抽样权重,表示权重衰减速率参数,表示第个历史参考样本的重构误差,和分别表示对应的抽样权重和归一化抽样概率。通过上述权重设置,降低较大重构误差样本的重抽样概率,同时保持其抽样概率大于零。

32、按照归一化抽样概率进行有放回加权bootstrap重抽样,生成多组重构误差序列,并按照前面公式递推计算监控统计量。汇总各重抽样序列得到的监控统计量,以预设经验分位数确定控制上限:

33、

34、其中,表示加权bootstrap重抽样获得的监控统计量集合,表示经验分位数函数,表示预设的控制限分位水平。在控制限标定过程中,本发明设定,采用99.5%经验分位数作为控制上限。步骤s5的在线监测采用与控制上限计算期间相同的初始化规则。

35、上述散度用于减弱异常样本对参考轮廓结构学习的影响;加权bootstrap 根据训练完成后得到的重构误差分配抽样权重,减弱较大重构误差对控制上限估计的影响。

36、进一步地,步骤s4中,已知异常类型包括增压压力不足、环境温度传感器故障、dpf压差传感器故障和尿素喷嘴堵塞四类。采用步骤s1确定的预处理模型和参数处理带标签轮廓样本,并按异常类型分别划分训练样本集合和校准样本集合。其中,表示异常类型编号。

37、采用高斯径向基核函数:

38、

39、其中,和分别表示第个和第个预处理后的轮廓特征向量, 表示两个特征向量之间的核函数值,表示高斯径向基核函数参数;

40、采用一对一分类策略,分别利用对应两类的训练样本及标签训练六个二分类支持向量机子模型。分类时,各子模型向其判别得到的类别投一票,以得票数最多的类别作为候选异常类型;最高票并列时,按照预设的固定类别顺序确定。

41、支持向量机的投票结果用于在已知异常类型中确定候选类别。在此基础上,进一步根据当前样本与候选类别训练样本的接近程度进行拒识决策,决定是否输出该候选类别。

42、固定训练完成的分类模型及核函数参数,将轮廓特征向量与第c类训练样本之间的最大核函数值定义为类别相似度:

43、

44、其中,表示相对于第类异常的类别相似度;分别计算各类校准样本相对于其所属异常类型的类别相似度,并将对应类别相似度的预设经验分位数确定为该类的拒识阈值:

45、

46、其中,表示第类异常的校准样本特征向量集合,与同类训练样本集互不重叠;表示经验分位数,为预设分位水平,表示第类异常的拒识阈值;保存各类拒识阈值及训练样本特征向量,用于在线异常类型识别。

47、在线识别时,设多分类支持向量机模型确定的候选异常类型编号为,计算当前样本相对于该类型的类别相似度,并与对应的拒识阈值比较,执行步骤s5的拒识决策。

48、与现有技术相比,本发明具有以下有益效果:

49、(1)通过多个固定测点的振动特征及其预设空间顺序构建汽车发动机高维非线性轮廓,利用鲁棒变分自编码器学习轮廓结构,并将输入轮廓与重构轮廓之间的差异转化为重构误差,为多测点振动状态的统一监测提供统计输入。

50、(2)通过在变分自编码器的重构项中引入散度,使较大重构误差对应的指数衰减因子减小,减弱少量未识别异常样本对重构项优化的影响,提高参考轮廓建模对异常数据干扰的适应能力。

51、(3)根据当前重构误差及历史重构误差信息调整控制图的平滑参数,使监控统计量对当前样本和历史统计量的权重随重构误差变化而调整;通过加权 bootstrap 降低较大重构误差样本的重抽样概率,减弱其对控制上限确定的影响。

52、(4)在轮廓异常报警后,利用多分类支持向量机模型确定候选异常类型,并根据类别相似度与对应拒识阈值的比较结果,决定是否输出该类型。对类别相似度低于拒识阈值的样本,保留异常报警并形成复核记录,避免直接输出缺乏相似度支持的候选分类结果,为发动机质量检查和异常分析提供依据。