一种发动机运行故障检测方法及系统与流程

本发明涉及故障检测，尤其涉及一种发动机运行故障检测方法及系统。

背景技术：

1、在摩托车电控燃油喷射系统中，传统的发动机故障检测主要依赖于车载诊断系统（obd）。该方法通常基于固定阈值比较法，即通过各类传感器（如曲轴位置传感器、氧传感器、节气门位置传感器等）采集信号，当监测到的物理量（如排气含氧量、进气压力、冷却液温度）超出预设的上下限范围时，触发故障码。

2、然而，摩托车发动机的运行环境极为特殊。首先，摩托车多为单缸或双缸结构，旋转惯量小，且工作时伴随强烈的宽频带机械振动与路面颠簸冲击，这导致传感器采集到的有用故障特征信号极易被高幅值的背景噪声所淹没。其次，摩托车运行工况瞬态变化剧烈（如频繁的加减速、大负载爬坡），传统的稳态阈值诊断逻辑无法适应这种非高斯、非平稳的信号特征，导致在实际使用中经常出现故障误报（如将正常振动误判为点火不良）或漏报（如早期气门间隙异常无法被氧传感器信号捕捉）。

技术实现思路

1、本发明的目的在于提供一种发动机运行故障检测方法及系统，有效提升了摩托车强振环境下故障检测的抗干扰能力与识别精度。

2、为实现上述目的，第一方面，本发明提供了一种发动机运行故障检测方法，包括以下步骤：

3、基于曲轴信号盘齿缺结构触发等角度同步采集，获取多源异构运行状态数据流，并对缸头振动加速度时序信号执行预处理，得到初始纯净振动基波；

4、依据瞬时曲轴转速波动序列对所述初始纯净振动基波进行阶比跟踪与角度域重采样，将时域非均匀信号转化为角度域等间隔信号，并与对应角度节点的瞬时转速波动率进行时空配对，生成角度域复合特征信号；

5、根据发动机实时点火基频与相邻分量中心频率间距动态设定模态分解数量，同时根据匹配的惩罚因子对所述角度域复合特征信号执行自适应变分模态分解，依据各分量的边际谱熵及其与预设标准冲击响应波形的互信息熵值进行双重筛选，得到目标敏感模态集；

6、将同一工作循环下的针对所述目标敏感模态集提取出时域无量纲冲击指标，与获取的相邻工作循环转速下降率进行循环同步关联配对，并对得到的原始特征三元组执行基于主成分分析的白化预处理，生成多维融合特征参数集；

7、构建动态基准库，利用高斯混合模型拟合各工况分区内健康数据的空间散布形态，界定高维健康分布边界，实时计算当前多维融合特征参数集相对于所述高维健康分布边界的马氏距离，得到综合健康偏离度指数；

8、当所述综合健康偏离度指数超出预设警戒线时，将当前多维融合特征参数集依次经梯度提升树分类器的多棵决策树的节点分裂逻辑映射至各树的末端叶子节点，累加所有叶子节点携带的得分值，经归一化处理后输出各类故障的初始识别概率；

9、根据当前进气歧管绝对压力值对喷油器雾化不良故障的初始识别概率进行动态偏置修正，对修正后的各类故障概率值经时序窗口内的类别一致性与特征幅值稳定性双重加权计算综合置信度，将超过预设动作门限的故障识别结果予以输出。

10、其中，得到初始纯净振动基波的具体过程为：

11、利用曲轴信号盘上均匀分布的信号齿及标识上止点位置的缺齿，生成与旋转角度一一对应的方波脉冲序列，以每个有效齿沿信号作为硬件触发指令，同步锁存并采集当前时刻的缸头振动加速度模拟电压值与进气歧管绝对压力模拟电压值；

12、对所采集的缸头振动加速度时序信号，首先利用高通数字滤波滤除基线漂移，然后根据当前采样率与发动机额定转速的比值自适应确定小波包分解层数，将信号分解为高频细节系数与低频逼近系数；

13、针对每一层高频细节系数根据该层系数的标准差动态计算噪声方差估计值并设定自适应截断阈值，将幅值低于该自适应截断阈值的细节系数予以压缩归零，最后利用保留并修正后的低频逼近系数与高频细节系数进行信号重构，获得初始纯净振动基波。

14、其中，生成角度域复合特征信号的具体过程为：

15、提取所有信号齿沿对应的微观到达时刻，计算出连续两个相邻齿沿之间的瞬时角速度值，形成瞬时转速波动序列；

16、基于所述瞬时转速波动序列构造虚拟等角度坐标轴，利用高阶拉格朗日插值拟合算法，将所述初始纯净振动基波的数据点按照所述虚拟等角度坐标轴的位置进行重映射和插值计算，生成角度域振动幅值序列；

17、将重映射过程中计算得到的对应于每个虚拟等角度节点的瞬时转速变化百分比作为瞬时转速波动率，与所述角度域振动幅值序列按绝对曲轴角度进行一一配对，组合生成二维联合数据阵列，定义为角度域复合特征信号。

18、其中，根据发动机实时点火基频与相邻分量中心频率间距动态设定模态分解数量，同时根据匹配的惩罚因子对所述角度域复合特征信号执行自适应变分模态分解，包括：

19、根据发动机当前实时转速计算单缸每工作循环的点火基频，将所述点火基频的整数倍频数量作为模态分解数量的初始候选基数；

20、以所述初始候选基数进行预分离试探，实时监测拆分后各候选本征模态分量在角度域频谱上的中心频率位置，当任意两个相邻候选分量的中心频率间隔缩小至小于预设保护间距时，判定存在频率混叠，将模态分解数量向下递减一个单位并再次进行中心频率间距校验，直至所有相邻分量之间的中心频率间隔均大于所述预设保护间距，锁定最终的最佳模态分解数量；

21、根据获取的采样频率值与典型持续时间动态推算惩罚因子的初始基准值，根据发动机负载工况调整所述惩罚因子以放宽频带约束；

22、以锁定的最佳模态分解数量和动态匹配的惩罚因子作为约束参数，对所述角度域复合特征信号进行拆解，基于各筛选窗捕获到的分量叠加后重构出原始信号，经迭代收敛后各筛选窗输出一个本征模态分量。

23、其中，依据各分量的边际谱熵及其与预设标准冲击响应波形的互信息熵值进行双重筛选，得到目标敏感模态集，包括：

24、针对每一个本征模态分量，提取其在整个角度域上的瞬时幅值变化轨迹并映射至频率维度，形成描述不同频率点上累积能量占比的边际谱曲线，计算该边际谱曲线的熵值作为边际谱熵，根据所述边际谱熵值与预设纯净度门限的比对，判定该本征模态分量状态；

25、将标准点火冲击响应波形作为比对模板，将每一个本征模态分量的幅值包络线与所述标准点火冲击响应波形进行统计依赖关系计算，得出两者的互信息熵值；

26、获取所有拆解出的本征模态分量的互信息熵值并计算其算术平均值，以所述算术平均值的预设百分比划定互信息熵动态入选下边界，对互信息熵值高于动态入选边界的分量进行边际谱熵复核，将同时满足互信息熵值不低于所述动态入选下边界且边际谱熵值低于所述纯净度门限的本征模态分量留存，归集为目标敏感模态集。

27、其中，生成多维融合特征参数集的具体过程为：

28、针对所述目标敏感模态集中的每一个本征模态分量，提取其在整个工作循环波形中的瞬时最大幅值与该波形经全波整流处理后的平均幅值之间的相对倍数关系作为峰值指标，同时提取所述瞬时最大幅值与全波整流后的方均根幅值之间的相对倍数关系作为脉冲指标；

29、从所述角度域复合特征信号中提取每一个完整工作循环内压缩上止点前后特定角度窗口起始处的瞬时转速值与终止处的瞬时转速值，计算两者差值占起始转速值的百分比作为该工作循环的转速下降率，再将当前工作循环的转速下降率与上一工作循环相同角度窗口位置的转速下降率进行差分比较，取差分绝对值作为相邻工作循环转速下降率；

30、按照工作循环序号将同一循环内计算得到的所述峰值指标、所述脉冲指标与所述相邻工作循环转速下降率组合成一个原始特征三元组；

31、在发动机健康基准阶段持续采集原始特征三元组，计算每一个分量的长期算术平均值，将实时输入的原始特征三元组中各分量减去各自对应的均值进行中心化平移；

32、计算中心化后各分量之间的协方差矩阵并求解特征向量，获得一组正交投影坐标轴，将原始数据点投影至所述正交投影坐标轴上，再计算新坐标轴各维度上的数据方差并按方差倒数进行等比例缩放，保留累积贡献率超过预设保留门槛的主成分维度，组合打包生成多维融合特征参数集。

33、其中，界定高维健康分布边界的具体过程为：

34、持续获取所述多维融合特征参数集，同时调用冷却液温度传感器与进气温度传感器读数，仅在发动机达到充分暖机热平衡状态时进入基准库；

35、根据实时转速和节气门开度，将满足热平衡条件的多维融合特征参数分类存入对应的工况子库中，每一个工况子库内部采用固定长度的滑动时间窗口存储最近预设数量个工作循环的白化后特征向量，新数据进入时窗口最尾部的旧数据被移出；

36、针对每一个工况子库，利用高斯混合模型对健康数据点进行形态学拟合，通过期望最大化迭代算法使多个高斯分量不断调整，直至多个高斯分量叠加形成的总包络曲线以最大概率覆盖所有健康基准数据点，将各高斯分量共同围合出的封闭区域界定为该工况下的高维健康分布边界。

37、其中，梯度提升树分类器的构建过程为：

38、所述梯度提升树分类器由多棵决策树串行叠加构成，每一棵决策树采用叶子节点限制策略以控制末端叶子数量；

39、在离线训练阶段，收集包含健康状态以及点火系统能量衰减故障、配气机构间歇性卡滞故障和喷油器雾化不良故障三类典型故障状态的多维融合特征参数集样本，并为每一条样本赋予真实的故障类型标签；

40、训练时，第一棵决策树基于多维融合特征参数集预测故障类型并记录预测偏差，第二棵决策树以第一棵决策树的预测偏差作为学习目标进行残差拟合，后续每一棵新决策树持续修正前面所有决策树的累积残差，同时每训练一棵新决策树时随机抽取全部特征维度中的特征参与节点分裂，经多轮迭代后汇聚各决策树的预测贡献形成强分类器；

41、在实时推理阶段，当前多维融合特征参数集进入第一棵决策树后从根节点出发，依据当前节点指定的特征编号提取参数集中对应数值并与节点内存储的分裂阈值进行比较，按照比较结果沿左侧或右侧分支下行直至到达该树的末端叶子节点并获取该叶子节点携带的初始得分，随后依次进入后续各棵决策树获取各树叶子节点得分，将所有决策树的叶子节点得分按故障类别进行累加求和，分别得到对应点火系统能量衰减故障、配气机构间歇性卡滞故障和喷油器雾化不良故障的三个总逻辑值，将三个总逻辑值输入归一化指数函数转换为三个介于零与一之间且总和为一的概率值，作为各类故障的初始识别概率输出。

42、其中，所述方法还包括：

43、在基于曲轴信号盘齿缺结构触发等角度同步采集时，同步锁存进气歧管绝对压力传感器的模拟输出电压值，并与缸头振动信号及曲轴转速信号保持完全一致的绝对角度时间戳，在每个工作循环内提取压缩上止点后特定角度窗口内的歧管压力平均值作为当前环境气压表征值。

44、第二方面，本发明提供一种发动机运行故障检测系统，用于实施如第一方面提供的一种发动机运行故障检测方法，包括：

45、信号采集模块，用于基于曲轴信号盘齿缺结构触发等角度同步采集，获取多源异构运行状态数据流，并对缸头振动加速度时序信号执行预处理，得到初始纯净振动基波；

46、信号预处理与角度域变换模块，用于依据瞬时曲轴转速波动序列对所述初始纯净振动基波进行阶比跟踪与角度域重采样，将时域非均匀信号转化为角度域等间隔信号，并与对应角度节点的瞬时转速波动率进行时空配对，生成角度域复合特征信号；

47、自适应分解与敏感模态筛选模块，用于根据发动机实时点火基频与相邻分量中心频率间距动态设定模态分解数量，同时根据匹配的惩罚因子对所述角度域复合特征信号执行自适应变分模态分解，依据各分量的边际谱熵及其与预设标准冲击响应波形的互信息熵值进行双重筛选，得到目标敏感模态集；

48、多维特征构建与白化模块，用于将同一工作循环下的针对所述目标敏感模态集提取出时域无量纲冲击指标，与获取的相邻工作循环转速下降率进行循环同步关联配对，并对得到的原始特征三元组执行基于主成分分析的白化预处理，生成多维融合特征参数集；

49、动态基准与偏离度计算模块，用于构建动态基准库，利用高斯混合模型拟合各工况分区内健康数据的空间散布形态，界定高维健康分布边界，实时计算当前多维融合特征参数集相对于所述高维健康分布边界的马氏距离，得到综合健康偏离度指数；

50、分类匹配模块，用于当所述综合健康偏离度指数超出预设警戒线时，将当前多维融合特征参数集依次经梯度提升树分类器的多棵决策树的节点分裂逻辑映射至各树的末端叶子节点，累加所有叶子节点携带的得分值，经归一化处理后输出各类故障的初始识别概率；

51、环境自适应修正与置信度评估模块，用于根据当前进气歧管绝对压力值对喷油器雾化不良故障的初始识别概率进行动态偏置修正，对修正后的各类故障概率值经时序窗口内的类别一致性与特征幅值稳定性双重加权计算综合置信度，将超过预设动作门限的故障识别结果予以输出。

52、本发明的一种发动机运行故障检测方法及系统，基于曲轴齿缺触发等角度同步采集多源信号，对缸头振动信号执行高通滤波与提升小波变换降噪后，依据瞬时转速进行阶比跟踪与角度域重采样生成角度域复合特征信号；根据点火基频动态设定模态数量并匹配惩罚因子，执行自适应变分模态分解，依据边际谱熵与互信息熵双重筛选目标敏感模态集；提取无量纲冲击指标与相邻循环转速下降率构成原始特征三元组，经主成分分析白化生成多维融合参数集；按工况建立高斯混合模型动态基准库并计算马氏距离得到偏离度指数；超出警戒线时激活轻量级梯度提升树分类器输出故障概率，并依据进气压力仅对喷油器雾化不良概率进行定向修正，最终经时序置信度评估后输出诊断结果。本发明有效提升了摩托车强振环境下故障检测的抗干扰能力与识别精度。