[发明专利]一种大数据分析模型预测发动机性能的方法

摘要

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。

主权项

1.一种大数据分析模型预测发动机性能的方法，其特征在于，主要包括以下步骤：1)确定所述输入数据,并将输入数据保存在MES数据库中。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；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；4)随机提取初步检测数据矩阵P'中的a个元素构成无标签训练样本矩阵A；随机提取初步检测数据矩阵P'中的d个元素构成有标签训练样本矩阵B；随机提取初步检测数据矩阵P'中的c个元素构成测试样本矩阵C；5)对无标签训练样本矩阵A依次进行白化预处理和正则化处理，得到降维后的无标签训练样本矩阵A'；6)将降维后的无标签训练样本矩阵A'输入到稀疏自编码器中，对稀疏自编码器进行训练，从而调整稀疏自编码器参数，得到调整后的稀疏自编码器；7)将有标签训练样本矩阵B的非标签数据输入到调整后的稀疏自编码器中，提取有标签训练样本矩阵B中非标签数据的数据特征；8)利用稀疏自编码器、拟牛顿法和回归算法建立发动机性能指标预测模型；利用白化降维算法和分类算法建立发动机性能分类检测模型；9)将步骤7得到的非标签数据的数据特征和有标签训练样本矩阵B中的有标签数据输入到发动机性能指标预测模型的回归算法和发动机性能分类检测模型的回归算法中，对所有回归算法的自学习参数进行训练；10)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，并根据预测误差率调整发动机性能指标预测模型和发动机性能分类检测模型的可选择参数；所述可选择参数主要包括回归算法的参数和分类算法的参数；11)实时获取待检测发动机的输入数据；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；所述工况主要包括启动、高速和怠速；将所述待检测发动机的输入数据输入到发动机性能分类检测模型中，从而输出发动机转速是否合格的结果；其中，0为不合格，1为合格。