基于大模型的柴油机装配冷试数据分析

摘要

为提高柴油机装配质量和冷试性能，基于柴油机装配冷试基础数据集，选取加州大学欧文分校(University of California Irvine, UCI)机器学习资料库标准数据集中的Seeds、Wine、Wdbc三种数据集，对比支持向量机(support vector machines, SVM)模型、组合智能算法改进后SVM模型、Transformer模型应用于冷试异常数据的分析效果。结果表明：SVM、改进后SVM,Transformer模型对正常数据和异常数据分类的准确率分别为85.20%、92.54%、97.94%;相比SVM、改进SVM模型，Transformer模型的分类准确率有较大的提高，可用于分析参数异常；排气压力与转矩关系密切，排气压力较大造成转矩增大；排气门开启时间过长导致进气真空度异常，验证了Transformer模型对发动机装配异常识别方法的有效性。

关键词

柴油机装配 / 冷试 / 异常检测 / SVM / Transformer模型架构