[发明专利]发动机状态的诊断方法及其诊断建模方法

说明书

本公开涉及发动机状态的诊断方法及其诊断建模方法。一种诊断发动机状态的方法，可以包括：测量发动机的振动，其中，发动机的组装在发动机生产的自动化下线(EOL)工艺中完成；以及使用初级深度学习分类模型初步诊断在EOL工艺期间的发动机的振动，其中基于关于在发动机上的三个或以上的位置处测量的多个振动信号的大数据根据通过使用多种算法学习获得的特征对发动机的振动信号进行分类，其中，通过对发动机的振动进行初步诊断而将EOL工艺中的发动机的组装状态分类为正常状态或异常状态。

技术领域

本公开的示例性实施方式涉及使用基于深度学习的人工智能(AI)诊断发动机的异常状态的方法以及配置诊断模型的方法。

背景技术

人脑由称为神经元的多个神经细胞组成。神经元中的每一个通过称为连接点的突触连接至数百至数千的其他神经元。神经元中的每一个从连接至此的其他神经元接收电气和化学信号并且将这些信号聚合在细胞胞体中。当聚合值大于阈值(即，神经元固有的限制)时，激活神经元以通过轴突将输出发送到相邻的神经元中。同时执行神经元之间的信息交换，并且通过学习改进这种信息交换的功能。

就相关领域中的技术结构而言，“人工智能(AI)”是最高的概念。AI是在将来的某一天使计算机和机器人能模仿人脑和神经元神经网络并且像人一样思考和行动的一种技术。

对甚至在交通工具中基于与AI有关的学习的控制系统不断进行研究。然而，至今，AI仅作为将说话者识别(语音识别)与移动信息技术(IT)结合的技术应用于交通工具。

即，AI应用于交通工具的实例包括通过语音识别进行的导航和音频操纵以及通过智能电话联锁的应用操纵。

同时，交通工具是由数以万计的部件组成的成品，并且即使当一些部件出故障时，不容易识别问题并准确地确定哪个部件出故障。

因此，当使用基于深度学习的AI进行部件故障诊断时，可以更准确且更快速地识别和修复故障部件。

本公开涉及一种通过构建用于诊断发动机的异常状态的诊断模型诊断发动机的异常状态的方法，发动机是交通工具的核心部件。

在下线(EOL)的条件下可以仅通过简单的状态检查对发动机的异常进行传统诊断，这是在发动机生产过程期间可以进行异常状态诊断的最后操作。即，如图1所示，当在发动机生产过程期间检查最终状态时，仅通过比较频率的等级诊断发动机的正常和异常使得不会针对发动机的异常状态进行合成诊断。

传统地，如在附图中所示，由特定频率滤波器使用异常状态中的测试数据设置与振动分贝噪声等级和峰度等级相比较的参考值并且然后仅将参考值与振动分贝噪声级和峰度等级相比较。因此，当出现复合异常状态时，不能设置参考值。

在发动机生产过程期间应该对发动机进行从正常到异常的分类。在未对异常进行分类并且然后在交通工具组装好之后被发现时，发动机应与交通工具分离。

因此，在以上的过程中消耗工时(M/H)和成本，并且当组装了异常的发动机的交通工具交付给消费者时，不仅要消耗修理成本而且交通工具完整的形象被破坏。

在以上的背景技术中描述的内容是为了帮助理解本公开的背景，并且可包括本公开所属领域的技术人员先前所知的内容。

发明内容

本公开的实施方式涉及一种使用基于深度学习的人工智能(AI)诊断车用发动机的异常状态的方法。

本公开的其它目的和优点可以通过以下描述理解，并且参考本公开的实施方式变得显而易见。另外，对于本公开内容所属领域中的技术人员显而易见的是，本公开内容的目标和优点可以通过要求保护的方法及其组合来实现。