基于理论引导的一维卷积神经网络方法的内燃机时间序列爆震检测
机器学习
2022-10-25 v1
摘要
本文提出了一种利用在一维缸内压力数据上训练的一维卷积神经网络检测内燃机(ICE)爆震事件的方法。模型架构基于对爆震燃烧预期频率特性的考量。为辅助特征提取，所有循环均被缩减为60°CA长的窗口，且对压力曲线不作进一步处理。神经网络仅使用来自多种工况的缸内压力曲线以及由人类专家提供的标签进行训练。在区分爆震与非爆震循环的十折交叉验证中，性能最佳的模型架构在所有测试集上达到92%以上的准确率。在一个多分类问题中，每个循环根据将其评为爆震的专家人数进行标注，78%的循环被完全正确标注，而90%的循环分类结果与真实标签至多相差一个类别。因此，它们大幅优于广泛应用的MAPO(最大压力振荡幅值)检测方法以及从先前工作中重构的其他参考方法。我们的分析表明，该神经网络学到了与发动机特征共振频率相关的具有物理意义的特征，从而验证了预期的理论引导数据科学方法。更深入的性能研究进一步显示出对未知工况点的卓越泛化能力。此外，在通过少量仅含非爆震循环的训练适应其特性后，该模型在对未知发动机上的爆震循环进行分类时准确率提升至89%。该算法在CPU上分类单个循环耗时低于1 ms，从而有效使其适用于实时发动机控制。
引用
@article{arxiv.2201.06990,
title = {Knock Detection in Combustion Engine Time Series Using a Theory-Guided 1D Convolutional Neural Network Approach},
author = {Andreas B. Ofner and Achilles Kefalas and Stefan Posch and Bernhard C. Geiger},
journal= {arXiv preprint arXiv:2201.06990},
year = {2022}
}
备注
accepted for publication in IEEE/ASME Transactions on Mechatronics. (c) IEEE 2022