一种基于在线寻优的柴油机性能参数预测方法及系统与流程

1.本发明属于柴油机性能参数预测技术领域，尤其涉及一种基于在线寻优的柴油机性能参数预测方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.随着运行时间的增加，对于柴油机的稳定性和可靠性要求就越高，这就要求对潜在的故障采取必要的预防措施，一旦柴油机发生了明显的故障，维修所消耗的时间、财力及物力都是无法估计的。因此，在柴油机工作状态下对其关键参数进行有效监测和预测显得尤为重要。尤其是，船舶柴油机较普通柴油机系统要复杂，且始终工作在高温、高压、强振动及强干扰等环境下。
4.目前，主要的监测系统都是根据实时采集的参数信号对柴油机当前运行状态进行评估，不能预测未来时刻的柴油机运行状态，具有滞后性。因此，通过对柴油机关键参数建立时间序列预测模型来实现柴油机性能参数预测以及趋势预测成为了新的有效方式，通过预测模型及时捕捉潜在的故障信息，达到“未卜先知”的效果，这就对数据样本的需求以及预测模型的精度提出了较高的要求。然而，由于试验条件限制等原因，有的时候并不能获取足够的数据，因此，如何解决贫数据、小样本背景下的柴油机参数状态预测成为了研究的难题。
5.为了解决小样本预测问题，中国学者邓聚龙教授提出了一种针对小样本不确定系统的研究方法，即灰色系统理论。作为大数据时代异军突起的小数据发掘技术，灰色系统理论同样具备易于实现、精度高等特点。与其他智能预测算法一样，随着研究的深入，灰色系统理论也暴露了自身的一些问题，如预测模型背景值问题、求解方式问题、预测精度问题等，这些问题都严重限制了灰色系统理论在柴油机领域内的应用发展。


技术实现要素：

6.为了解决上述背景技术中存在的技术问题，本发明提供一种基于在线寻优的柴油机性能参数预测方法及系统，不仅适用于贫数据、小样本下的柴油机性能参数预测，而且消除了背景值对预测模型的影响。
7.为了实现上述目的，本发明采用如下技术方案：
8.本发明的第一个方面提供一种基于在线寻优的柴油机性能参数预测方法，其包括：
9.获取柴油机的性能参数的初级序列；
10.基于初级序列，通过最小化目标函数来对背景值计算参数进行寻优，得到最佳背景值计算参数；
11.基于最佳背景值计算参数，计算最优柴油机性能参数预测模型的发展系数和灰作
用量，得到最优柴油机性能参数预测模型；
12.采用所述最优柴油机性能参数预测模型对待预测时刻的柴油机性能参数进行预测。
13.进一步地，所述计算柴油机性能参数预测模型的发展系数和灰作用量的步骤为：
14.基于所述最佳背景值计算参数，计算每个历史时刻的最佳背景值；
15.基于所述初级序列和所有历史时刻的最佳背景值，得到常数项向量和最优累加矩阵；
16.基于常数项向量和最优累加矩阵，计算最优柴油机性能参数预测模型的发展系数和灰作用量。
17.进一步地，某个历史时刻的最佳背景值为基于所述最佳背景值计算参数，计算的该历史时刻的累积性能参数与下一历史时刻的累积性能参数的加权和。
18.进一步地，所述柴油机性能参数为增压器转速、滑油压力、燃油消耗率、涡后排气温度、冷却水温度或碳烟。
19.进一步地，所述目标函数为柴油机性能参数预测模型的平均绝对误差与关联度的加权和。
20.本发明的第二个方面提供一种基于在线寻优的柴油机性能参数预测系统，其包括：
21.初级序列获取模块，用于获取柴油机的性能参数的初级序列；
22.背景值计算参数寻优模块，用于基于初级序列，通过最小化目标函数来对背景值计算参数进行寻优，得到最佳背景值计算参数；
23.预测模型获取模块，用于基于最佳背景值计算参数，计算最优柴油机性能参数预测模型的发展系数和灰作用量，得到最优柴油机性能参数预测模型；
24.预测模块，用于采用所述最优柴油机性能参数预测模型对待预测时刻的柴油机性能参数进行预测。
25.进一步地，所述计算柴油机性能参数预测模型的发展系数和灰作用量的步骤为：
26.基于所述最佳背景值计算参数，计算每个历史时刻的最佳背景值；
27.基于所述初级序列和所有历史时刻的最佳背景值，得到常数项向量和最优累加矩阵；
28.基于常数项向量和最优累加矩阵，计算最优柴油机性能参数预测模型的发展系数和灰作用量。
29.进一步地，某个历史时刻的最佳背景值为基于所述最佳背景值计算参数，计算的该历史时刻的累积性能参数与下一历史时刻的累积性能参数的加权和。
30.进一步地，所述目标函数为柴油机性能参数预测模型的平均绝对误差与关联度的加权和。
31.进一步地，所述柴油机性能参数为增压器转速、滑油压力、燃油消耗率、涡后排气温度、冷却水温度或碳烟。
32.与现有技术相比，本发明的有益效果是：
33.本发明提供了一种基于在线寻优的柴油机性能参数预测方法，其适用于贫数据、小样本下的柴油机性能参数预测。
34.本发明提供了一种基于在线寻优的柴油机性能参数预测方法，其区别于灰色模型传统建模以及目前基于背景值改进的灰色模型建模方法，本发明从误差机理角度出发，重新定义了新的背景值构造方法，构建的柴油机性能参数预测模型，真正意义的从根本理论上消除了背景值对灰色模型建模的影响，解决了背景值构造方式的技术缺陷。
35.本发明提供了一种基于在线寻优的柴油机性能参数预测方法，其通过敏感度分析，优化了目前基于背景值的建模方法中所采用的目标函数求解方式，通过粒子群算法最小化目标函数来对背景值计算参数进行寻优，得到最佳背景值计算参数，消除了冗余指标对在建模中参数寻优的负面影响。
附图说明
36.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
37.图1是本发明实施例一的一种基于在线寻优的柴油机性能参数预测方法流程图；
38.图2是本发明实施例一的敏感度分析图；
39.图3是本发明实施例一的背景值构造优化机理图。
具体实施方式
40.下面结合附图与实施例对本发明作进一步说明。
41.应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
42.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
43.实施例一
44.本实施例提供了一种基于在线寻优的柴油机性能参数预测方法，采用最优柴油机性能参数预测模型(即ogm(1,1,β)模型)对待预测时刻的柴油机性能参数进行预测。
45.柴油机性能参数预测模型表示为其中，为第k个待预测时刻的柴油机性能参数，a*为最佳的柴油机性能参数预测模型的发展系数，b*为最佳的柴油机性能参数预测模型的灰作用量。
46.具体的，柴油机(船用柴油机)性能参数x可以为增压器转速、滑油压力、燃油消耗率、涡后排气温度、冷却水温度或碳烟等。
47.最优柴油机性能参数预测模型的获取步骤为：
48.(1)获取柴油机的性能参数的初级序列x
(0)
＝{x
(0)
(1),x
(0)
(2),
…
,x
(0)
(n)}，其中，
n为采样时刻的总个数，x
(0)
(k)代表柴油机性能参数x在第k个采样时刻的性能参数。
49.(2)基于初级序列，通过粒子群算法最小化目标函数来对背景值计算参数进行寻优，得到最佳背景值计算参数β
*
(i)，最佳背景值计算参数β
*
(i)为粒子群算法最后一代输出的背景值计算参数β(i)，β(i)∈[0,1],i＝1,2,3,
…
,n-1；
[0050]
其中，目标函数为柴油机性能参数预测模型的平均绝对误差与关联度的加权和，表示为：
[0051]
x
(0)
＝{x
(0)
(1),x
(0)
(2),
…
,x
(0)
(n)}
[0052][0053]
s.t.[a,b]
t
＝(b
t
b)-1bty[0054]
s.t.z
(1)
(k)＝β(i)x
(1)
(k) (1-β(i))x
(1)
(k 1)
[0055][0056][0057]
其中，z
(1)
(k)为第k个时刻的背景值，w1＝0.6和w2＝0.4分别为评价指标经验权重系数，ε为关联度。
[0058]
(3)基于最佳背景值计算参数β
*
(i)，计算每个历史时刻的最佳背景值z
(1)*
(k)＝β
*
(i)x
(1)
(k) (1-β
*
(i))x
(1)
(k 1)，其中，第k个时刻的最佳背景值z
(1)*
(k)，第i个时刻的最佳背景值计算参数β
*
(i)，β
*
(i)∈[0,1],i＝1,2,3,
…
,n-1，i＝k-1，表示第k个时刻的累积性能参数；
[0059]
(4)基于所有历史时刻的最佳背景值和初级序列，得到最优累加矩阵b*与常数项向量y，即
[0060][0061]
(5)基于最优累加矩阵b
*
与常数项向量y，计算最优柴油机性能参数预测模型的发展系数和灰作用量，得到最优的柴油机性能参数预测模型，即
[0062]
[a
*
,b
*
]
t
＝(b
*tb*
)-1b*ty[0063][0064]
如图1所示，目标函数和背景值的构造思路如下：
[0065]
(1)采集船用柴油机主机不同运行参数随时间的运行状态数据，分别采用传统灰色gm(1，1)预测模型建立各个参数的传统灰色模型。
[0066]
(2)基于背景值构造误差机理，对模型评价指标与背景值参数进行敏感度分析，提取背景值参数对与建模的影响关系。
[0067]
(3)针对不同采样区间分别采用独立的背景值构造方式，替换传统模型的背景值构造方式，保证每两个采样时间之间的背景值构造均处于理论最优。
[0068]
(4)根据步骤(2)中敏感度分析结果，重新定义目标函数，采用粒子寻优方法求解不同采样区间的背景值参数，将优化后的背景值重新代入传统模型，通过编程实现参数预测。
[0069]
模型评价指标与背景值参数β的敏感度分析中，模型评价指标分别选取相对误差α、均方差比值c、关联度ε、小误差概率p及4个基本参数，这也是目前优化模型中普遍采用的评价指标体系。在此基础上，本发明额外选取了模型平均绝对误差mae(mean absolute error)及一步预测相对误差re(relative error)2个参数，共计6个评价指标。通过敏感度分析结果，可以获取不同背景值构造方式与模型评价指标之间的影响关系。
[0070]
以某型相继增压柴油机涡后排气温度为例，自定义编程计算步长设定为δt＝0.001分别计算不同β取值下背景值对各评价指标的影响，结果如图2所示，图中蓝色虚线代表β＝0.5，此时灰色模型即为传统灰色模型。
[0071]
由图2可知：对于涡后排气温度参数灰色模型来说，四个基本评价指标中，除过小概率误差概率p维持不变，其他3个指标均呈现出开口向下或者开口向上的“二次抛物线”形状分布，这也使得理论上存在最优解β，使得各指标均达到最优；模型平均绝对误差mae随着β的增大先减小后逐渐增大，而一步预测相对误差re则随着β的增大单调递减；当β＝0.5时，相应的各评价指标均未处在最佳位置，且各评价指标对应的最佳位置各不相同，验证了原灰色模型中背景值的构造方式存在一定缺陷；从各指标对β的敏感度来看，mae对于β的敏感程度远大于其他指标，其次是关联度ε，最后则是相对误差α和均方差比值c，这一定程度说明了相对误差α和均方差比值c两个指标对于模型优化的参考意义不大。
[0072]
综合敏感度分析可以得出结论：当β＝0.5时，即采用均值方式来构造背景值时，模型各评价指标均未落处在最佳位置，且不同评价指标对应的最佳位置也各不相同，这也证明了背景值重构对于灰色模型精度改善的可行性；各评价指标在最佳位置的指标值与β＝0.5时的差异程度，决定了基于背景值优化的方式对于模型精度改善的幅度比较有限；相对误差α、关联度ε、均方差比值c和平均绝对误差mae基本随着β呈二次函数状分布，小概率误差概率p基本不随β变化而变化，而一步预测相对误差re则表现出一定的单调递减性；不同模型评价指标对于β的敏感程度不同，总体上看，mae对于β的敏感程度明显大于其他指标，其次是关联度ε，最后则是相对误差α和均方差比值c。
[0073]
敏感度分析为优化模型目标函数的优化奠定了理论依据。
[0074]
传统灰色预测模型中的背景值构造方式以及梯形公式优化等方式中，通过z
(1)
(k)
＝βx
(1)
(k) (1-β)x
(1)
(k-1)来替代梯形公式，从理论上消除了误差的产生，但是由于β的不确定因素，在求解过程产生了额外的误差。根本原因在于：虽然gm(1,1,β)模型可以理论上消除模型误差的存在。但是，由于不同采样间隔之间变化趋势是不同的，当β值一旦确定之后，所有采样时刻对应的背景值形式将被固定，如附图3中所示，所有采样区间的近似矩形面积都将采用相同的构造方式。对于所有采样区间都采用同一背景值构造方式，这显然无法保证模型的模拟精度达到最佳,这也是目前大多基于背景值优化建模方法存在的共同缺陷。
[0075]
基于上述原因，本发明采用了新的背景值构造理念，如附图3所示。红色点划线代表当β＝0.5，则积分面积可近似等于红点划线所在的矩形面积；绿色点划线代表当β≠0.5时任意值，此时积分面积可近似等于绿色点划线所在矩形面积。矩形的面积只取决于背景值的大小，即β的取值大小。
[0076]
本发明针对不同的采样区间内分别采用独立的背景值构造方式，即每2个采样时刻之间的背景值构造形式都对应一个理想β值，使得每一个背景值均达到理论最佳，对应附图3中，即相邻x1(t)之间的曲线积分面积分别用多个独立的等价矩形面积来替代。
[0077]
对于任意参数x初级序列x
(0)
＝{x
(0)
(1),x
(0)
(2),
…
,x
(0)
(n)}，其中，x
(0)
(n)代表该参数在第n个采样时刻的数值，对该参数建立传统灰色模型，并采用新的背景值构造方式，新的背景值z
(1)
(k)构造方式为：z
(1)
(k)＝β(i)x
(1)
(k) (1-β(i))x
(1)
(k 1)，其中，
[0078]
区别于目前灰色预测优化模型中普遍采用的相对平均误差最小化原则，本发明采用新的目标函数构造方法，根据前文敏感度分析，筛选与背景值参数敏感度高的指标，剔除掉敏感度低的指标，重新建立求解参数的目标函数，即上述目标函数。
[0079]
将β(i)的求解问题可以看做一个单目标优化问题，利用目标函数优化后的粒子群算法实现优化模型的最佳背景值参数寻优。
[0080]
选取某型相继增压柴油机的试验数据进行详细的论证说明：
[0081]
分别选取涡后排气温度和增压器转速2个主要运行参数，该类参数属于易波动类型，不易于灰色模型预测建模，因此更能体现本发明中方法的优越性。部分工况下的试验数据如表1所示：
[0082]
表1、部分工况试验数据
[0083]
[0084]
整个求解过程采用自定义编程，求解后的新的背景值构造公式。
[0085]
涡后排气温度参数灰色模型的新背景值构造公式为：
[0086][0087]
增压器转速灰色模型新的背景值构造公式为：
[0088][0089]
根据新的背景值构造公式重新进行灰色模型建模，为了方便对比描述，新的模型称之为ogm(1,1,β)模型，目前主流文献中常用的基于梯形公式优化方法灰色模型称之为gm(1,1,β)模型，将ogm(1,1,β)模型、gm(1,1,β)模型以及传统灰色模型三者进行模型精度分析，具体结果如表2和表3所示。
[0090]
表2为涡后排气温度的不同灰色模型的平均模拟绝对误差以及一步预测相对误差。
[0091]
表2、涡后排气温度灰色模型精度分析
[0092][0093]
表3为增压器转速的不同灰色模型的平均模拟绝对误差以及一步预测相对误差。
[0094]
表3、增压器转速灰色模型精度分析
[0095][0096]
通过表2和表3可以看出，对于涡后排气温度参数，ogm(1,1,β)模型模拟效果稍优于其他两种模型，mae从10.82降低至10.02；对于增压器转速参数，ogm(1,1,β)模型的平均绝对误差要明显优于其他两种模型，mae值较传统灰色模型降低了16％。因此，充分验证了ogm(1,1,β)模型对于a列涡后排气温度和b列增压器转速灰色模型精度的的改善效果，整体上优于gm(1,1,β)模型和egr原模型，说明了本发明方法的有效性。
[0097]
为了进一步验证本发明方法的有效性，选取柴油机稳定型、易于灰色模型建模的参数，如燃油消耗率、滑油压力、冷却水温度以及碳烟等，同理进行精度对比分析，结果如表4所示。
[0098]
表4、各参数灰色模型精度分析
[0099][0100][0101]
综合表4中不同参数的建模结果可知，ogm(1,1,β)模型可以有效改善原模型的精度问题，进一步证明了本发明方法可以有效改善灰色模型传统建模方法的不足，同时于其他优化方法相比，仍具有一定的优越性。
[0102]
实施例二
[0103]
本实施例提供了一种基于在线寻优的柴油机性能参数预测系统，其具体包括：
[0104]
初级序列获取模块，用于获取柴油机的性能参数的初级序列；
[0105]
背景值计算参数寻优模块，用于基于初级序列，通过最小化目标函数来对背景值计算参数进行寻优，得到最佳背景值计算参数；
[0106]
预测模型获取模块，用于基于最佳背景值计算参数，计算最优柴油机性能参数预测模型的发展系数和灰作用量，得到最优柴油机性能参数预测模型；
[0107]
预测模块，用于采用所述最优柴油机性能参数预测模型对待预测时刻的柴油机性能参数进行预测。
[0108]
此处需要说明的是，本实施例中的各个模块与实施例一中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
[0109]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。