一种基于多模态AI的发动机积碳量化检测与预警系统的制作方法

摘要: 本发明涉及车载智能诊断,具体涉及一种基于多模态ai的发动机积碳量化检测与预警系统。背景技术:1、汽车发动机在长期运行过程中,由于燃油不完全燃烧、机油蒸气回流以及...
一种基于多模态AI的发动机积碳量化检测与预警系统的制作方法

本发明涉及车载智能诊断,具体涉及一种基于多模态ai的发动机积碳量化检测与预警系统。

背景技术:

1、汽车发动机在长期运行过程中,由于燃油不完全燃烧、机油蒸气回流以及高温氧化等原因,会在节气门阀片、进气道内壁和燃烧室等关键部位逐步形成积碳附着物。积碳累积到一定程度将导致进气截面积减小、气流扰动加剧和空燃比失准,进而引发发动机怠速不稳、加速无力、油耗升高和排放超标等问题,严重时可能导致节气门卡滞或气门关闭不严等机械故障。

2、目前,国内外针对发动机积碳检测的技术方案主要分为:

3、(1)基于内窥镜图像的人工判别方法;维修技师通过工业内窥镜伸入发动机气缸或进气道内部拍摄图像,凭经验目视判断积碳程度。该方法严重依赖技师个人经验,主观性强和一致性差,且仅能做定性判断,无法给出量化的积碳面积比例或堵塞率。

4、(2)基于单一内窥镜图像的深度学习分类方法;如中国专利cn118537636a公开了一种基于内窥成像的汽车发动机积碳程度判别方法,采用改进的resnet18网络对积碳图像进行五级分类,但该方法仅使用内窥镜图像单一模态,也未融合车辆运行参数,且均为事后检测;即在积碳已经形成到一定程度后才能进行判断,缺乏积碳增长趋势的预测能力。

技术实现思路

1、针对现有技术中的缺陷,本发明提供了一种基于多模态ai的发动机积碳量化检测与预警系统,旨在至少在一定程度上解决相关现有技术中的技术问题之一。

2、为了达到上述目的,本发明提供了一种基于多模态ai的发动机积碳量化检测与预警系统,包括:

3、多源数据采集单元,用于同步采集多个种类的异构模态数据;其中,所述异构模态数据包括内窥镜图像数据、工况数据、振动声学信号和排气颗粒物浓度数据;

4、多模态融合单元,用于对所述异构模态数据进行预处理、时间对齐和单模态特征提取,并通过跨模态交叉注意力网络将各类模态特征深度融合,输出多模态融合特征向量;

5、积碳量化计算单元,用于将所述多模态融合特征向量和预处理后的内窥镜图像为输入,通过语义分割网络对节气门阀片和进气道进行像素级积碳区域分割,实现积碳的像素级量化检测分析,得出对应的积碳量化结果;其中,所述积碳量化结果包括多维信息融合的综合积碳指数;

6、积碳生长预测单元,用于将构建的生长特征和新增里程传入预先构建的积碳时序生长预测模型,预测未来积碳增长趋势并判定达到堵塞临界值的预估行驶里程;其中,所述生长特征根据历史的车辆里程、工况、燃油品质数据、环境温度及历次积碳量化结果进行构建;其中,所述积碳时序生长预测模型通过从历史多维数据中学习积碳增长的非线性动力学规律,所述多维数据包括内窥镜图像序列、工况时序、振动声学信号频谱特征和排气颗粒物浓度序列;

7、分级预警维保单元,用于根据所述积碳量化结果和生长预测结果,按四级阈值实现分级预警;其中,所述生长预测结果作为预警等级动态调整依据。

8、优选地,模型经蒸馏轻量化后部署车载控制器进行本地实时推理,以及车载控制器接收云端下发迭代优化的模型。

9、优选地,所述跨模态交叉注意力网络包含四组交叉注意力模块,每组模块以其中一模态特征为查询,以其他三类模态特征为键和值,进行多头交叉注意力运算,最终将四组输出拼接融合,使各模态特征在融合过程中自适应地关注来自其他模态的互补信息。

10、优选地,采用deeplabv3+语义分割网络对预处理后的内窥镜图像进行像素级分类;其中,deeplabv3+的编码器部分以多模态融合特征向量作为辅助输入,使得语义分割网络在利用图像局部纹理信息的同时,能够感知来自工况、振动声学和排气颗粒物的上下文信息,显著提升低对比度积碳区域的分割精度。

11、优选地,基于语义分割结果,对积碳面积占比,积碳厚度估算和进气堵塞率进行计算;

12、所述积碳量化计算单元,还用于根据所述工况数据进行动态修正,输出量化结果,具体包括:

13、根据所述工况数据中的发动机转速和冷却液温度判定当前工况类别,从预设的工况修正系数查找表中获取对应的修正系数,对所述积碳面积占比和所述进气堵塞率进行动态修正后输出最终的量化结果;其中,所述工况类别包括冷启动工况、怠速工况、部分负荷工况和全负荷工况。

14、优选地,所述综合积碳指数将内窥镜视觉维度、工况维度、振动声学维度和排气颗粒物维度进行信息融合,构建出综合积碳指数ci,其计算公式如下:

15、ci=w1×s_img+w2×f_cond+w3×g_vib+w4×h_emi;

16、其中,s_img为经工况数据动态修正后的内窥镜积碳面积占比;f_cond为工况影响因子,由工况数据中的怠速时长占比、低速时长占比、平均燃油消耗率和燃油品质等级经线性加权得到,反映怠速和低速工况占比越高、燃油品质越低则积碳生长驱动力越强;g_vib为振动特征指标,由振动声学信号经短时傅里叶变换后在20~80hz低频段能量和150~300hz谐振段能量经归一化后加权得到;h_emi(emi)为排放颗粒物浓度指标,由排气颗粒物浓度序列的变异系数和近期浓度突增频次归一化加权得到,反映积碳脱落-再沉积动态过程的排放侧表征;w1、w2、w3和w4为四维对应的权重系数。

17、优选地,采用时序卷积网络结合长短期记忆网络构建所述积碳时序生长预测模型,以生长特征和新增行驶里程为输入,输出未来多个里程节点处的预测积碳面积占比和预测进气堵塞率。

18、优选地,所述积碳生长预测单元还用于临界点预判,具体包括:

19、根据预设的堵塞临界阈值,将预测所得的曲线与临界阈值所形成的曲线求交,计算达到堵塞临界值所需的预估行驶里程,将其作为维保提醒的参考依据;其中,所述堵塞临界值包括进气堵塞率阈值和/或综合积碳指数阈值。

20、优选地,学习积碳增长的非线性动力学规律为所述时序卷积网络结合长短期记忆网络的混合网络在云端通过监督训练从所述多维数据中自主学习得到以下映射关系中的至少一种:

21、怠速时长占比与积碳面积增长速率的正相关非线性递增关系及拐点加速阈值;

22、燃油品质等级与积碳厚度增长速率的量化影响系数;

23、振动低频段能量与积碳厚度的对数映射关系;

24、排气颗粒物浓度变异系数超过预设浓度阈值时预示积碳脱落期的关联模式;

25、环境温度低于预设温度阈值时冷启动工况积碳生长速率的倍增系数;所述映射关系隐式编码于网络权重中,随云端数据持续积累而迭代优化。

26、本发明的有益效果体现在:

27、通过融合内窥镜图像、工况数据、振动声学信号及排气颗粒物浓度四类异构模态数据,利用跨模态交叉注意力网络实现模态间的深度信息互补,克服了传统单一模态检测方法噪声大、信息片面、易受环境干扰的缺陷;

28、通过建立的积碳时序生长预测模型,可预测未来行驶里程的积碳增长趋势,提前判定达到堵塞临界值的预估行驶里程,使其具备积碳增长趋势的预测能力;从而便于合理安排维保计划,避免被动维修带来的高额成本和用车不便。