[发明专利]一种大数据分析模型预测发动机性能的方法

说明书

本发明公开了一种大数据分析模型预测发动机性能的方法，主要步骤为：1)确定输入数据。2)建立发动机性能指标预测模型和发动机性能分类检测模型。3)对所有回归算法的自学习参数进行训练。4)将测试样本矩阵C输入到调整自学习参数后的发动机性能指标预测模型和发动机性能分类检测模型中，得到每种回归算法的预测误差率。5)将所述待检测发动机的输入数据输入到发动机性能指标预测模型中，从而输出待检测发动机在不同工况下的转速预测结果。本发明对发动机生产过程中产生的过程检测数据和质量检测数据进行发动机性能预测，实现了发动机性能情况的自动预测，在节省人力成本和发动机损耗成本的同时，也保证了发动机下线质量性能的可靠性。

技术领域

本发明涉及发动机性能预测的技术领域，具体是一种大数据分析模型预测发动机性能的方法。

背景技术

目前大部分汽车公司发动机生产线存在工艺经验不清晰，工程师利用直觉和经验无法难以对理想结果作正确的解释；出厂性能不稳定，发动机在不同转速下扭矩一致性较差，发动机性能不可控的问题。

另外，目前各汽车公司使用从每批次发动机抽取一定数目的发动机在工作温度达到正常后,使发动机在不同的转速下运转测试各项性能参数的方法，实现对发动机出厂性能的把控。此方法存在资金耗费大，消耗时间长等资源消耗及排放污染严重的问题，以及检验覆盖面不全的缺点。

发明内容

本发明的目的是解决现有技术中存在的问题。

为实现本发明目的而采用的技术方案是这样的，一种大数据分析模型预测发动机性能的方法，主要包括以下步骤：

1)确定输入数据,并将输入数据保存在MES数据库中。

进一步，所述输入数据为发动机的原始过程数据和原始质量数据。

所述原始过程数据由粘贴在发动机上的传感器采集得到。所述原始过程数据主要包括基本数据和拧紧数据。

所述基本数据主要包括连杆瓦检测数据、平面度检测数据、间隙检测数据和压力检测数据。所述拧紧数据主要包括发动机螺栓拧紧扭矩、拧紧转动角度和发动机螺栓拧紧扭矩与拧紧转动角度的比值。

所述原始质量数据主要包括冷试数据和泄漏检测数据。

2)将所述输入数据进行分类，分类后的输入数据按照时间先后进行顺序排列。对排序后的输入数据进行处理，得到初步检测数据。

进一步，对排序后的输入数据进行处理，得到初步检测数据的方法为：每一类输入数据只保留最后一个数据，删除其余数据。

进一步，对输入数据进行分类的主要步骤如下：

2.1)按照发动机型号对输入数据进行第一次分类。其中，具有相同发动机型号的输入数据归为一类。

2.2)对具有相同发电机型号的输入数据进行第二次分类。其中，具有相同发动机编号的输入数据归为一类。

2.3)对具有相同发动机编号的输入数据进行第三次分类。其中，属于相同检测项目类别的输入数据归为一类。

3)对所述初步检测数据进行筛选，得到筛选后的初步检测数据矩阵P'。初步检测数据矩阵P'如下所示：

式中，P'_MN为初步检测数据矩阵P'中元素。

进一步，对所述初步处理数据进行筛选的主要步骤如下：

3.1)建立初步检测数据矩阵P，其中矩阵P的列下标为数据类别序号。行下标为发动机编号。所有数据类别序号组成数据类别列表。

3.2)删除矩阵P中缺失元素超过70％的列，并在数据类别列表中删除对应的序号。