发动机爆震强度计算方法、系统和可读存储介质与流程

本申请涉及发动机爆震强度检测技术领域，具体涉及一种发动机爆震强度计算方法、系统和可读存储介质。

背景技术：

通常，汽车发动机通过吸入混合燃气、压缩、燃烧做功和排气四个冲程的作用，实现发动机周而复始的运转。当发动机吸入燃油蒸汽与空气的混合物后，在压缩冲程还未到达设计的点火位置，种种控制之外的因素导致燃气混合物自行点火燃烧。此时燃烧所产生的巨大冲击力与活塞运动方向相反，从而会引起发动机震动，这种现象成为爆震。

发动机爆震对发动机的动力和油耗均会产生不利影响。若爆震强度过高，还会引出现发动机抖动、敲缸现象，造成火花塞、气门和活塞断裂或烧蚀，爆震强度达到一定程度，就成了超级爆震，可瞬间破坏发动机。

相关技术中，通常采用爆震传感器对发动机爆震现象进行识别，但是该爆震传感器对强度较小的爆震难以识别，当识别出爆震问题时，发动机已受到不同程度的损害。

技术实现要素：

本申请提供了一种发动机爆震强度计算方法、系统和可读存储介质，可以解决相关技术中难以识别的较小强度爆震的问题。

为了实时识别出发动机爆震强度，以便提前采取必要控制措施，从而降低爆震强度，防止超级爆震的发生，本申请的第一方面，提供一种发动机爆震强度计算方法，所述发动机爆震强度计算方法包括：

提供训练数据集和测试数据集；

基于所述训练数据集，训练出爆震强度计算初级模型；

基于所述爆震强度计算初级模型，计算确定所述测试数据集中的大误差子集；所述大误差子集为，在测试数据集中，爆震强度计算模型的计算值与爆震强度实际值之间的强度误差，超过指定阈值的爆震强度信号的集合；

确定所述大误差子集的分布规律；

确定所述训练数据集中，符合所述分布规律的数据子集；

基于过采样法，对所述数据子集的数据扩展至少2倍，使得新扩展的数据形成扩展数据集；

将所述扩展数据集增补入所述训练数据集中，对训练数据进行数据补全，形成新训练数据集；

基于所述新训练数据集，重新训练出爆震强度计算模型。

可选的，所述测试数据集包括多个用于测试的爆震强度信号，以及与所述爆震强度信号对应的爆震强度实际值。

可选的，所述基于所述爆震强度计算初级模型，计算确定所述测试数据集中的大误差子集，所述大误差子集为爆震强度计算模型的计算值与爆震强度实际值之间误差超过指定阈值的爆震强度信号集合的步骤，包括：

基于所述爆震强度计算初级模型，计算所述测试数据集中各个所述爆震强度信号的爆震强度计算模型的计算值；

计算各个所述爆震强度信号各自相对应的所述爆震强度计算模型的计算值与所述爆震实际强度之间的强度误差；

确定所述强度误差超过指定阈值的爆震强度信号的集合为大误差子集。

可选的，所述统计所述大误差子集的分布规律的步骤，包括：

基于所述大误差子集中各个爆震强度信号的爆震强度实际值，确定所述爆震强度实际值的众数取值区间。

可选的，位于所述众数取值区间中的爆震强度信号数量，占所述大误差子集中所述爆震强度信号总数的80％至90％。

可选的，所述训练数据集包括多个用于训练的爆震强度信号，以及与所述爆震强度信号对应的爆震强度实际值。

可选的，所述确定所述训练数据集中，符合所述分布规律的数据子集的步骤，包括：

基于所述训练数据集，确定对应爆震强度实际值位于所述众数取值区间中的所述爆震强度信号的集合为所述训练数据集的数据子集。

可选的，所述基于过采样法，对所述数据子集的数据扩展至少2倍，使得新扩展的数据形成扩展数据集的步骤，包括：

基于过采样法，对所述数据子集中的数据进行采样复制，使得所述数据子集的数据重复至少2倍，形成扩展数据集。

为了实时识别出发动机爆震强度，以便提前采取必要控制措施，从而降低爆震强度，防止超级爆震的发动，本申请的第二方面，提供一种发动机爆震强度计算系统，所述发动机爆震强度计算系统用于执行如本申请第一方面所述的发动机爆震强度计算方法。

为了实时识别出发动机爆震强度，以便提前采取必要控制措施，从而降低爆震强度，防止超级爆震的发动，本申请的第三方面提供一种可读存储介质，所述可读存储介质中存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，能够实现如本申请第一方面所述的发动机爆震强度计算方法。

本申请技术方案，至少包括如下优点：通过在训练数据集中增加具有大误差特性的子集的比重，即数据子集在新训练数据集中的比，使得根据该新训练数据集e重新训练出爆震强度计算模型，其在计算爆震强度信号的爆震强度时，能够具有更小的误差和更高的准确性。

附图说明

为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了本申请实施例提供的发动机爆震强度计算方法流程图；

图2示出了训练数据集a＝{ax[1:n],ay[1:n]}的数据结构示意图；

图3示出了测试数据集b＝{bx[1:m],by[1:m]}的数据结构示意图；

图4示出了基于训练数据集a＝{ax[1:n],ay[1:n]}，训练出爆震强度计算初级模型的过程示意图；

图5示出了以测试数据集b＝{bx[1:m],by[1:m]}为例，确定测试数据集中的大误差子集的过程示意图；

图6示出了确定该大误差子集b’＝{bx[p:q],by[p:q]}的分布规律的过程示意图；

图7示出了确定训练数据集a＝{ax[1:n],ay[1:n]}中符合分布规律的数据子集的过程示意图；

图8示出了对数据子集a’＝{ax[v:w],ay[v:w]}进行扩展三倍后形成的新的扩展数据集d的过程示意图；

图9示出了将新的扩展数据集d增补入训练数据集a＝{ax[1:n],ay[1:n]}中后形成的新训练数据集e的过程示意图。

具体实施方式

下面将结合附图，对本申请中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在不做出创造性劳动的前提下所获得的所有其它实施例，都属于本申请保护的范围。

在本申请的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电气连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。

此外，下面所描述的本申请不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

图1示出了本申请实施例提供的发动机爆震计算计算方法流程图，参照图1，该发动机爆震计算方法包括以下步骤：

步骤s1：提供训练数据集和测试数据集。

其中，训练数据集中包括大量用于模型训练的爆震强度信号，以及与该爆震强度信号对应的爆震强度实际值；测试数据集中包括大量用于模型测试的爆震强度信号，以及与该爆震强度信号对应的爆震强度实际值。该训练数据集和测试数据集均为预先对同一台架发动机的4个缸进行实验测试采集到。

为了清楚地进行阐述，使得训练数据集a＝{ax[1:n],ay[1:n]},测试数据集b＝{bx[1:m],by[1:m]}，n和m均属于正整数。请参照图2和图3，其中图2示出了训练数据集a＝{ax[1:n],ay[1:n]}的数据结构示意图，图3示出了测试数据集b＝{bx[1:m],by[1:m]}的数据结构示意图。

其中，ax表示该训练数据集a中的爆震强度信号数组，ax[1:n]表示该爆震强度信号数组中包括ax[1]至ax[n]，共n个爆震强度信号；ay表示该训练数据集a中的爆震强度实际值数组，ay[1:n]表示该爆震强度实际值数组中包括ay[1]至ay[n]，共n个爆震强度实际值，且该爆震强度信号数组与爆震强度实际值数组一一对应，即爆震强度信号ax[1]对应爆震强度实际值ay[1]，爆震强度信号ax[2]对应爆震强度实际值ay[2]……爆震强度信号ax[n]对应爆震强度实际值ay[n]。

其中，测bx表示该测试数据集b中的爆震强度信号数组，bx[1:m]表示该爆震强度信号数组中包括bx[1]至bx[m]，共m个爆震强度信号；by表示该测试数据集b中的爆震强度实际值数组，by[1:m]表示该爆震强度实际值数组中包括by[1]至by[m]，共m个爆震强度实际值，且该爆震强度信号数组与爆震强度实际值数组一一对应，即爆震强度信号bx[1]对应爆震强度实际值by[1]，爆震强度信号bx[2]对应爆震强度实际值by[2]……爆震强度信号bx[n]对应爆震强度实际值by[m]。

步骤s2：基于所述训练数据集，训练出爆震强度计算初级模型。

请参照图4，其示出了基于训练数据集a＝{ax[1:n],ay[1:n]}，训练出爆震强度计算初级模型的示意图。本实施例中，可以通过机器学习算法，基于训练数据集，初步训练出爆震强度计算初级模型。

步骤s3：基于所述爆震强度计算初级模型，计算确定所述测试数据集中的大误差子集。

该大误差子集为所述测试数据集的子集，并且该大误差子集为测试数据集中，爆震强度计算模型的计算值与爆震强度实际值之间的强度误差，超过指定阈值的爆震强度信号的集合。

本实施例中，步骤s3确定测试数据集中的大误差子集的过程包括：

步骤s31：基于所述爆震强度计算初级模型，计算所述测试数据集中各个所述爆震强度信号的爆震强度计算模型的计算值。

步骤s32：计算各个所述爆震强度信号各自相对应的所述爆震强度计算模型的计算值与所述爆震实际强度之间的强度误差。

步骤s33：确定所述强度误差超过指定阈值的爆震强度信号的集合为大误差子集。

请参照图5，其示意出以测试数据集b＝{bx[1:m],by[1:m]}为例，确定测试数据集中的大误差子集的数据流图。

图5中示出，爆震强度信号数组bx[1:m]经过该爆震强度计算初级模型，计算得到爆震强度计算模型的计算值数组bz[1:m]，该爆震强度计算模型的计算值数组bz[1:m]中包括bz[1]至bz[m]，共m个爆震强度计算值。再计算爆震强度计算值数组bz[1:m]的爆震强度计算值，与爆震强度实际值数组by[1:m]中对应爆震强度实际值之间的强度误差b|z-y|[1:m]。本实施例中，强度误差的计算公式可以为：

b|z-y|[1:m]＝|(bz[1:m]-by[1:m])/by[1:m]|(1)

该式(1)表示强度误差b|z-y|[1:m]，等于各个爆震强度计算值与对应爆震强度实际值之差bz[1:m]-by[1:m]，与对应爆震强度实际值by[1:m]比值的绝对值。例如在计算爆震强度计算值bz[1]与爆震强度实际值by[1]之间的强度误差b|z-y|[1]可以为：b|z-y|[1]＝|(bz[1]-by[1])/by[1]|。

若确定该强度误差b|z-y|[p:q]超过指定阈值，其中p和q为在1至m的范围内的正整数，且q大于p。从而确定爆震强度信号数组bx[p:q]为大误差子集b’，即该大误差子集b’＝{bx[p:q],by[p:q]}。其中，bx[p:q]表示大误差子集b’中包括爆震强度信号bx[p]至爆震强度信号bx[q]范围若干连续或不连续的爆震强度信号。by[p:q]表示大误差子集b’中包括爆震强度实际值by[p]至爆震强度实际值by[q]，且爆震强度实际值与爆震强度信号一一对应，即爆震强度信号bx[p]对应有爆震强度实际值by[p]……爆震强度信号bx[q]对应有爆震强度实际值by[q]。

在其他实施例中，强度误差的计算方法可以根据需要自行设定。

步骤s4：确定所述大误差子集中的分布规律。

请参照图6，其示出了确定该大误差子集b’＝{bx[p:q],by[p:q]}的分布规律的过程示意图，从图6中看出，可以基于该大误差子集b’中爆震强度实际值by[p:q]的分布规律，确定爆震强度实际值by[p:q]的众数取值区间c为[c1,c2]。本实施例中，该爆震强度实际值by[p:q]的众数取值区间，可以覆盖该大误差子集b’中80％至90％的爆震强度信号bx[p:q]。

步骤s5：确定所述训练数据集中，符合所述分布规律的数据子集。

请参照图7，其示出了确定训练数据集a＝{ax[1:n],ay[1:n]}中符合分布规律的数据子集的过程示意图。继续以训练数据集a＝{ax[1:n],ay[1:n]}为例，基于步骤s4确定的大误差子集b’的分布规律，即大误差子集b’的众数取值区间c为[c1,c2]，确定该训练数据集a＝{ax[1:n],ay[1:n]}中，爆震强度实际值ay[y:w]位于该众数取值区间c中。该训练数据集a中，与爆震强度实际值ay[y:w]对应的爆震强度信号为ax[v:w]，其中v和w为在1至n的范围内的正整数，且w大于v。即训练数据集a中的符合所述分布规律的数据子集a’＝{ax[v:w],ay[v:w]}。

步骤s6：基于过采样法，对所述数据子集的数据扩展至少2倍，使得扩展的数据形成扩展数据集。

请参照图8，其示出了对数据子集a’＝{ax[v:w],ay[v:w]}进行扩展三倍后形成的新的扩展数据集d的过程示意图，该扩展数据集d将数据子集a’中的所有数据简单复制了三次。

在其他实施例中，对数据子集的扩展还可根据迭代计算误差大小的需求设定扩展倍数，寻找能让训练出来的模型获得最小强度误差的倍数。

步骤s7：将所述扩展数据集增补入所述训练数据集中，形成新训练数据集。

请参照图9，其示出了将新的扩展数据集d增补入训练数据集a＝{ax[1:n],ay[1:n]}中后形成的新训练数据集e的过程示意图。图9中可以看出，新训练数据集e与原训练数据集a相比，多出扩展数据集d的数据部分。

经过以上叙述可知，该扩展数据集d为数据子集a’＝{ax[v:w],ay[v:w]}的简单复制，该数据子集a’＝{ax[v:w],ay[v:w]}符合大误差子集b’的众数取值区间c为[c1,c2]，即数据子集a’＝{ax[v:w],ay[v:w]}符合大误差特性。

步骤s8：基于所述新训练数据集，重新训练出爆震强度计算模型。

本实施例的新训练数据集e，通过在原训练数据集a增加中具有大误差特性的子集的比重，即数据子集a’＝{ax[v:w],ay[v:w]}在新训练数据集e中的比重，大于数据子集a’在原训练数据集a中的比重，使得根据该新训练数据集e重新训练出爆震强度计算模型，其在计算爆震强度信号的爆震强度时，能够具有更小的误差。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本申请创造的保护范围之中。