一种发动机喷油器的喷嘴状态监测方法、设备及介质

技术领域

本说明书涉及发动机监测技术领域，尤其涉及一种发动机喷油器的喷嘴状态监测方法、设备及介质。

背景技术

喷油器是一种加工精度非常高的精密器件，要求其动态流量范围大，抗堵塞和抗污染能力强以及雾化性能好，喷油器接收电子控制单元(Electronic Control Unit，ECU)发送的喷油脉冲信号，精确的控制燃油喷射量。

在发动机的运行过程中，由于油品、喷油器设计和油嘴材料等原因，导致喷油器喷嘴磨损，喷嘴磨损后与磨损前相比，喷油量会相对增大，继而导致轨压下降变大，氧含量降低，缸内温度升高，排温升高，甚至排放升高，喷嘴磨损是一种机械故障，磨损速率很快，10000公里就能使得发动机性能异常。因此，对喷嘴运行状态进行实时监测可以有效提高发动机的运行效率，避免发动机故障。传统识别策略通过喷油量、轨压等数据进行喷嘴磨损预测，得到的喷嘴磨损的误差较大、耗时长，无法满足喷嘴状态监测的及时性和准确性的监测需求。

发明内容

本说明书一个或多个实施例提供了一种发动机喷油器的喷嘴状态监测方法、设备及介质，用于解决如下技术问题：传统识别策略通过喷油量、轨压等数据进行喷嘴磨损预测，得到的喷嘴磨损的误差较大、耗时长，无法满足喷嘴状态监测的及时性和准确性的监测需求。

本说明书一个或多个实施例采用下述技术方案：

本说明书一个或多个实施例提供一种发动机喷油器的喷嘴状态监测方法，其特征在于，所述方法包括：获取待监测喷油器的当前发动机参数，以通过所述当前发动机参数，确定所述待监测喷油器对应的当前发动机类型；基于所述待监测喷油器对应的当前发动机类型，确定与所述待监测喷油器匹配的当前人工智能监测模型；采集所述待监测喷油器的实时运行数据，其中，所述实时运行数据包括喷油器温度数据、喷油器流量数据、喷油器压力数据和喷油器环境数据；将所述待监测喷油器的实时运行数据，输入至所述当前人工智能监测模型中，以得到所述待监测喷油器的喷嘴实时损耗数据；基于所述喷嘴实时损耗数据和预设的损耗阈值，确定所述待监测喷油器的当前喷嘴损耗状态，以基于所述当前喷嘴损耗状态，对所述待监测喷油器的喷嘴进行状态监测。

进一步地，基于所述喷嘴实时损耗数据和预设的损耗阈值，确定所述待监测喷油器的当前喷嘴损耗状态之前，所述方法还包括：获取所述待监测喷油器的喷油器规格数据，基于所述喷油器规格数据和所述当前发动机参数，确定与所述待监测喷油器匹配的多个匹配喷油嘴；获取每个所述匹配喷油嘴在多个历史运行过程分别对应的历史喷油器运行数据，其中，所述历史喷油器运行数据包括多个历史喷嘴损耗比和每个历史损耗比对应的历史喷油量；根据所述每个历史损耗比对应的历史喷油量，对所述匹配喷油嘴的每个所述历史运行过程进行喷油状态分析，以基于所述历史运行过程的喷油状态，将多个所述历史喷油量分为正常喷油参数集合和异常喷油参数集合；获取所述异常喷油参数集合中的多个所述历史喷油量中的最小异常历史喷油量，以及所述正常喷油参数集合中的多个所述历史喷油量中的最大正常历史喷油量；确定所述最小异常历史喷油量对应的第一历史喷嘴损耗比和所述最大正常历史喷油量对应的第二历史喷嘴损耗比，将所述第一历史喷嘴损耗比和所述第二历史喷嘴损耗比的平均值作为喷嘴损耗上限阈值；获取所述正常喷油参数中的多个所述历史喷油量中的最小正常历史喷油量，确定所述最小正常历史喷油量对应的第三历史喷嘴损耗比，将所述第三历史喷嘴损耗比和所述第二历史喷嘴损耗比的平均值作为喷嘴损耗下限阈值。

进一步地，基于所述喷嘴实时损耗数据和预设的损耗阈值，确定所述待监测喷油器的当前喷嘴损耗状态，具体包括：获取所述喷嘴实时损耗数据中的喷嘴实时损耗比；当所述喷嘴实时损耗比小于所述喷嘴损耗下限阈值时，判定所述待监测喷油器的当前喷嘴状态为正常状态；当所述喷嘴实时损耗比不小于所述喷嘴损耗下限阈值且不大于所述喷嘴损耗上限阈值时，判定所述待监测喷油器的当前喷嘴状态为待修正状态；当所述喷嘴实时损耗比大于所述喷嘴损耗上限阈值时，判定所述待监测喷油器的当前喷嘴状态为待更换状态。

进一步地，基于所述当前喷嘴损耗状态，对所述待监测喷油器的喷嘴进行状态监测，具体包括：当所述待监测喷油器的当前喷嘴状态为待修正状态时，根据所述喷嘴实时损耗比，生成加电时间修正系数；通过所述加电时间修正系数对预先获取的所述待监测喷油器的当前加电时间，进行修正，得到修正加电时间，以通过所述修正加电时间对所述待监测喷油器的喷嘴损耗进行修正。

进一步地，基于所述待监测喷油器对应的当前发动机类型，确定与所述待监测喷油器匹配的当前人工智能监测模型之前，所述方法还包括：构建初始模型库，其中，所述模型库包括多种机器模型，所述机器模型包括支持向量机模型、梯度下降树模型、BP神经网络模型和时间延迟神经网络模型；获取任意参数的发动机的喷油器的历史运行特征数据，其中，所述历史运行特征数据包括发动机转速、喷油量、废气流量、冷后温度、冷后压力、水温、机油温度、机油压力、喷油轨压、排气温度、氮氧化合物含量以及氧含量；对所述历史运行特征数据进行数据清洗、降噪处理和滤波处理，生成模型数据集，以使用所述模型训练数据集对所述模型库中的每个机器模型进行训练，得到训练后的训练机器模型；在所述初始模型库中，将所述训练机器模型进行更新，以生成参考模型库。

进一步地，基于所述待监测喷油器对应的当前发动机类型，确定与所述待监测喷油器匹配的当前人工智能监测模型之前，所述方法还包括：获取不同发动机类型的历史喷嘴运行特征数据和历史喷嘴实测尺寸；将同一指定发动机类型下的历史喷嘴运行特征数据，分别输入至所述参考模型库的多个训练机器模型中，得到每个训练机器模型对应的模型预测喷嘴损耗数据；基于所述历史实测尺寸和预先获取的所述喷嘴的理论尺寸，确定测算损耗比；根据每个训练机器模型对应的模型预测喷嘴损耗数据和所述测算损耗比，在所述多个训练机器模型中选择指定训练机器模型，其中，在多个所述模型预测喷嘴损耗数据中，所述指定训练机器模型的指定模型预测喷嘴损耗数据与所述测算损耗比的差值最小；建立所述指定训练机器模型与所述指定发动机类型的对应关系，以构建发动机类型与机器训练模型对应关系表。

进一步地，基于所述待监测喷油器对应的当前发动机类型，确定与所述待监测喷油器匹配的当前人工智能监测模型，具体包括：根据所述待监测喷油器对应的当前发动机类型，在所述发动机类型与机器训练模型对应关系表中进行对应关系查找，确定与所述当前发动机类型对应的当前机器训练模型；获取与所述发动机类型对应的历史喷嘴运行特征数据，使用所述历史喷嘴运行特征数据对所述当前机器训练模型进行二次训练，以得到与所述待监测喷油器匹配的当前人工智能监测模型。

进一步地，通过所述发动机参数，确定所述待监测喷油器对应的当前发动机类型，具体包括：获取所述待监测喷油器对应的发动机运行参数；按照预设的类型匹配规则和所述发动机运行参数，确定所述待监测喷油器对应的当前发动机类型。

本说明书一个或多个实施例提供一种发动机喷油器的喷嘴状态监测设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取待监测喷油器的当前发动机参数，以通过所述当前发动机参数，确定所述待监测喷油器对应的当前发动机类型；基于所述待监测喷油器对应的当前发动机类型，确定与所述待监测喷油器匹配的当前人工智能监测模型；采集所述待监测喷油器的实时运行数据，其中，所述实时运行数据包括喷油器温度数据、喷油器流量数据、喷油器压力数据和喷油器环境数据；将所述待监测喷油器的实时运行数据，输入至所述当前人工智能监测模型中，以得到所述待监测喷油器的喷嘴实时损耗数据；基于所述喷嘴实时损耗数据和预设的损耗阈值，确定所述待监测喷油器的当前喷嘴损耗状态，以基于所述当前喷嘴损耗状态，对所述待监测喷油器的喷嘴进行状态监测。

本说明书一个或多个实施例提供的一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：

获取待监测喷油器的当前发动机参数，以通过所述当前发动机参数，确定所述待监测喷油器对应的当前发动机类型；基于所述待监测喷油器对应的当前发动机类型，确定与所述待监测喷油器匹配的当前人工智能监测模型；采集所述待监测喷油器的实时运行数据，其中，所述实时运行数据包括喷油器温度数据、喷油器流量数据、喷油器压力数据和喷油器环境数据；将所述待监测喷油器的实时运行数据，输入至所述当前人工智能监测模型中，以得到所述待监测喷油器的喷嘴实时损耗数据；基于所述喷嘴实时损耗数据和预设的损耗阈值，确定所述待监测喷油器的当前喷嘴损耗状态，以基于所述当前喷嘴损耗状态，对所述待监测喷油器的喷嘴进行状态监测。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：通过上述技术方案，根据待监测喷油器对应的当前发动机类型确定对应的当前人工智能监测模型，提高了模型与待监测喷油器的匹配程度，保证了模型的高度可用性；通过实时运行数据和匹配的当前人工智能监测模型，得到喷嘴实时损耗数据，提高喷嘴磨损估算精度，保证了损耗数据的获取及时性和准确性，可以满足状态监测的及时性需求和准确性需求；根据喷嘴实时损耗数据和预设的损耗阈值，对喷嘴进行状态监测，降低售后服务成本，提升客户满意度。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本说明书实施例提供的一种发动机喷油器的喷嘴状态监测方法的流程示意图；

图2为本说明书实施例提供的另一种发动机喷油器的喷嘴状态监测方法的流程示意图；

图3为本说明书实施例提供的一种发动机喷油器的喷嘴状态监测设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。

喷油器是一种加工精度非常高的精密器件，要求其动态流量范围大，抗堵塞和抗污染能力强以及雾化性能好，喷油器接收电子控制单元(Electronic Control Unit，ECU)发送的喷油脉冲信号，精确的控制燃油喷射量。

在发动机的运行过程中，由于油品、喷油器设计和油嘴材料等原因，导致喷油器喷嘴磨损，喷嘴磨损后与磨损前相比，喷油量会相对增大，继而导致轨压下降变大，氧含量降低，缸内温度升高，排温升高，甚至排放恶化。因此，对喷嘴运行状态进行实时监测可以有效提高发动机的运行效率，避免发动机故障。传统识别策略通过喷油量、轨压等数据进行喷嘴磨损预测，得到的喷嘴磨损的误差较大、耗时长，无法满足喷嘴状态监测的及时性和准确性的监测需求。

本说明书实施例提供一种发动机喷油器的喷嘴状态监测方法，需要说明的是，本说明书实施例中的执行主体可以是服务器，也可以是任意一种具备数据处理能力的设备。图1为本说明书实施例提供的一种发动机喷油器的喷嘴状态监测方法的流程示意图，如图1所示，主要包括如下步骤：

步骤S101，获取待监测喷油器的当前发动机参数，以通过当前发动机参数，确定待监测喷油器对应的当前发动机类型。

通过该发动机参数，确定该待监测喷油器对应的当前发动机类型，具体包括：获取该待监测喷油器对应的发动机运行参数；按照预设的类型匹配规则和该发动机运行参数，确定该待监测喷油器对应的当前发动机类型。

在本说明书的一个实施例中，获取待监测喷油器的当前发动机参数，此处的当前发动机参数为发动机运行参数，可以是发动机运行过程中的理论参数，用于确定待监测喷油器对应的当前发动机类型。需要说明的是，可以通过预设的类型匹配规则，根据发动机运行参数，确定待监测喷油器对应的当前发动机类型。预先设置发动机类型为三种类型，大型发动机、中型发动机和小型发动机，为每种发动机类型设置对应的参数范围，通过待监测喷油器的发动机运行参数和每个发动机类型设置的参数范围，确定当前发动机运行参数落入的参数范围，以确定待监测喷油器对应的当前发动机类型。例如，将发动机排量为10L及以上的发动机作为大型发动机，将发动机排量大于4L且小于10L的发动机作为中型发动机，将发动机排量不大于4L的发动机作为小型发动机。

通过待监测喷油器的当前发动机参数，确定待监测喷油器对应的当前发动机类型，考虑了不同类型发动机的喷油器区别，按照发动机类型对喷油器的喷嘴状态进行监测，实现了监测的针对性，可以适应多种型号的喷油器，提高了监测场景的适用性。

步骤S102，基于待监测喷油器对应的当前发动机类型，确定与待监测喷油器匹配的当前人工智能监测模型。

在本说明书的一个实施例中，通过当前发动机类型，确定与待监测喷油器匹配的当前人工智能监测模型，选择匹配的人工智能监测模型，保证了人工智能监测模型与待监测喷油器喷嘴的匹配程度，可以进一步保证人工智能监测模型的适用性，此外，使用人工智能监测模型对待监测喷油器进行喷油磨损估算，与传统的磨损计算策略相比，提高了磨损估算的准确性和及时性，更符合状态监测的时间需求。

基于该待监测喷油器对应的当前发动机类型，确定与该待监测喷油器匹配的当前人工智能监测模型之前，该方法还包括：构建初始模型库，其中，该模型库包括多种机器模型，该机器模型包括支持向量机模型、梯度下降树模型、BP神经网络模型和时间延迟神经网络模型；获取任意参数的发动机的喷油器的历史运行特征数据，其中，该历史运行特征数据包括发动机转速、喷油量、废气流量、冷后温度、冷后压力、水温、机油温度、机油压力、喷油轨压、排气温度、氮氧化合物含量以及氧含量；对该历史运行特征数据进行数据清洗、降噪处理和滤波处理，生成模型数据集，以使用该模型训练数据集对该模型库中的每个机器模型进行训练，得到训练后的训练机器模型；在该初始模型库中，将该训练机器模型进行更新，以生成参考模型库。

在本说明书的一个实施例中，为了提高磨损估算的及时性，通过构建模型库的形式将多个机器模型进行整合。首先，构建初始模型库，在初始模型库中包括支持向量机模型、梯度下降树模型、BP神经网络模型和时间延迟神经网络模型，以上模型仅为示例，还可以包括其他机器模型。例如，可以选择常用的BP神经网络模型、时间序列神经网络TDN模型、深度学习时间序列神经网络LSTM模型、LSTM的简化版GRU模型、基于树的回归模型GBDT及其升级版XGBoost模型、基于支持向量机的SVM模型。

其次，获取任意参数的发动机的喷油器对应的历史运行特征数据，此处的任意参数是指任意一种发动机类型对应的喷油器的历史运行特征数据，且喷油器的历史运行特征数据为较多历史运行周期内产生的运行特征数据，此处的历史运行周期可以是试验阶段的运行周期，也可以是实际历史运行过程中的运行周期。运行特征数据包括发动机转速、喷油量、废气流量、冷后温度、冷后压力、水温、机油温度、机油压力、喷油轨压、排气温度、氮氧化合物含量以及氧含量。之后，为了提高模型训练的效果，需要对采集到的历史运行特征数据进行数据前处理，即数据清洗处理、数据降噪处理、数据滤波处理等，还可以进行特征转换，以生成模型数据集。将模型数据集中的数据对每个机器模型进行训练，得到训练后的训练机器模型。在初始模型库中，将训练机器模型对初始机器模型进行替换，实现训练机器模型的更新，生成参考模型库。

在构建发动机类型与机器训练模型对应关系表时有两种方式，一种可以基于试验数据和模型模拟值选择对应的机器模型，也可以直接通过模型的模型评价指标选择对应的机器模型。基于该待监测喷油器对应的当前发动机类型，确定与该待监测喷油器匹配的当前人工智能监测模型之前，该方法还包括：获取不同发动机类型的历史喷嘴运行特征数据和历史喷嘴实测尺寸；将同一指定发动机类型下的历史喷嘴运行特征数据，分别输入至该参考模型库的多个训练机器模型中，得到每个训练机器模型对应的模型预测喷嘴损耗数据；基于该历史实测尺寸和预先获取的该喷嘴的理论尺寸，确定测算损耗比；根据每个训练机器模型对应的模型预测喷嘴损耗数据和该测算损耗比，在该多个训练机器模型中选择指定训练机器模型，其中，在多个该模型预测喷嘴损耗数据中，该指定训练机器模型的指定模型预测喷嘴损耗数据与该测算损耗比的差值最小；建立该指定训练机器模型与该指定发动机类型的对应关系，以构建发动机类型与机器训练模型对应关系表。

在本说明书的一个实施例中，获取不同发动机类型的历史喷嘴运行特征数据以及每个历史喷嘴运行特征数据对应的历史喷嘴实测尺寸，将同一发动机类型下的历史喷嘴运行特征数据和历史喷嘴实测数据组成一个测试数据集，此处的历史喷嘴运行特征数据和历史喷嘴实测尺寸均为试验阶段的采集和测试数据。也就是说，分别对大型发动机喷油器、中型发动机喷油器和小型发动机喷油器进行运行测试，采集不同类型发动机的试验数据，即存在大型发动机测试数据集、中型发动机测试数据集和小型发动机测试数据集。

使用大型发动机测试数据集中的历史喷嘴运行特征数据，分别输入至参考模型库的多个训练机器模型中，得到每个训练机器模型对应的模型预测喷嘴损耗数据，此处的模型预测喷嘴损耗数据为预测损耗比。根据历史实测尺寸和预先获取的喷嘴的理论尺寸，确定测算损耗比。计算每个机器训练模型得到的预测损耗比和测算损耗比的差值，在多个差值中选择差值最小的预测损耗比，将该预测损耗比对应的机器训练模型，作为大型发动机对应的指定机器训练模型，建立大型发动机和指定机器训练模型的对应关系。按照上述方式，依次确定中型发动机对应的机器训练模型和小型发动机对应的机器训练模型，建立每种类型的发动机与对应的机器训练模型的对应关系。

通过模型的模型评价指标选择对应的机器模型时，获取不同发动机类型的历史喷油运行特征数据，分别将每种发动机类型的发动机喷油器的多个历史喷油运行特征数据，分别输入至预先生成的参考模型库的多个训练机器模型中进行模型训练，得到每个训练机器模型的模型评价指标，模型评价指标包括拟合度、均方误差MSE和误差分布中的任意一项或多项。拟合度越大，MSE越小，误差分布的方差(正态分布方差)越小，模型越好。根据每个训练机器模型的模型评价指标，对多个训练机器模型进行排序，将位于首位的最优的指定训练机器模型作为每种发动机类型对应的模型，建立该指定训练机器模型与该指定发动机类型的对应关系。按照上述方式确定每种发动机类型对应的模型，以构建发动机类型与机器训练模型对应关系表。例如，10L及以上排量的大型发动机对应模型为SVM模型，4L及以下的小型发动机对应模型为GBDT模型。

基于该待监测喷油器对应的当前发动机类型，确定与该待监测喷油器匹配的当前人工智能监测模型，具体包括：根据该待监测喷油器对应的当前发动机类型，在该发动机类型与机器训练模型对应关系表中进行对应关系查找，确定与该当前发动机类型对应的当前机器训练模型；获取与该发动机类型对应的历史喷嘴运行特征数据，使用该历史喷嘴运行特征数据对该当前机器训练模型进行二次训练，以得到与该待监测喷油器匹配的当前人工智能监测模型。

在本说明书的一个实施例中，根据该待监测喷油器对应的当前发动机类型，在发动机类型与机器训练模型对应关系表中进行对应关系查找，确定与当前发动机类型对应的当前机器训练模型。通过对应关系查找的方式确定与待监测喷油器匹配的机器模型，提高了模型匹配程度，可以进一步提高模型预测准确性。获取与发动机类型对应的历史喷嘴运行特征数据，使用该历史喷嘴运行特征数据对该当前机器训练模型进行二次训练，以得到与该待监测喷油器匹配的当前人工智能监测模型。由于参考模型库中的数据为使用任意一种类型的历史数据训练得到的，为了保证模型的准确性，使用与发动机类型对应的历史数据进行二次训练，保证当前人工智能监测模型可以准确预测当前类型下的喷嘴损耗。

步骤S103，采集待监测喷油器的实时运行数据。

在本说明书的一个实施例中，采集待监测喷油器的实时运行数据，其中，实时运行数据包括喷油器温度数据、喷油器流量数据、喷油器压力数据和喷油器环境数据，具体包括发动机转速、喷油量、废气流量、冷后温度、冷后压力、水温、机油温度、机油压力、喷油轨压、排气温度、氮氧化合物含量以及氧含量等。

步骤S104，将待监测喷油器的实时运行数据，输入至当前人工智能监测模型中，以得到待监测喷油器的喷嘴实时损耗数据。

在本说明书的一个实施例中，将待监测喷油器的实时运行数据，进行数据前处理，进行数据清洗操作、数据降噪操作、数据滤波操作以及特征转换，并输入至当前人工智能监测模型中，以得到待监测喷油器的喷嘴实时损耗数据。图2为本说明书实施例中提供的另一种发动机喷油器的喷嘴状态监测方法的流程示意图，在图2中，待监测喷油器的发动机类型为大型发动机，其对应的模型为训练后的支持向量机(SVM)模型，将SVM模型集成在ECU中，采集到数据之后，进行数据清洗操作、数据降噪操作、数据滤波操作以及特征转换等前处理，输入至SVM模型中，通过模型输出喷嘴磨损比。

步骤S105，基于喷嘴实时损耗数据和预设的损耗阈值，确定待监测喷油器的当前喷嘴损耗状态，以基于当前喷嘴损耗状态，对待监测喷油器的喷嘴进行状态监测。

在本说明书的一个实施例中，不同喷油器的喷嘴损耗阈值存在差异，需要根据喷油器的实际运行情况进行判断。获取监测喷油器的喷油器规格数据，基于喷油器规格数据和当前发动机参数，确定与待监测喷油器匹配的多个匹配喷油嘴。此处的匹配喷油嘴是指喷油嘴的运行环境与待监测喷油器的喷油嘴的运行环境相同。获取每个该匹配喷油嘴在多个历史运行过程分别对应的历史喷油器运行数据，历史喷油器运行数据包括多个历史喷嘴损耗比和每个历史损耗比对应的历史喷油量。根据每个历史损耗比对应的历史喷油量，对匹配喷油嘴的每个该历史运行过程进行喷油状态分析，判断历史喷油量是否为影响正常运行，此处可以根据经验判断，即喷油量超过喷油阈值时为异常喷油状态，反之，不超过喷油阈值时为正常喷油状态。基于历史运行过程的喷油状态，将多个历史喷油量分为正常喷油参数集合和异常喷油参数集合。

获取异常喷油参数集合中的多个该历史喷油量中的最小异常历史喷油量，以及正常喷油参数集合中的多个历史喷油量中的最大正常历史喷油量。需要说明的是，最小异常历史喷油量为喷油异常状态下的最小值，也就是说，为影响程度最小的异常状态，最大正常历史喷油量为喷油状态下的最大值。确定最小异常历史喷油量对应的第一历史喷嘴损耗比和最大正常历史喷油量对应的第二历史喷嘴损耗比，取第一历史喷嘴损耗比和第二历史喷嘴损耗比的平均值作为喷嘴损耗上限阈值，即允许的喷嘴损耗上限值比，此喷嘴损耗上限阈值为区分是否影响运行的分界点。获取正常喷油参数中的多个历史喷油量中的最小正常历史喷油量，确定该最小正常历史喷油量对应的第三历史喷嘴损耗比，将第三历史喷嘴损耗比和第二历史喷嘴损耗比的平均值作为喷嘴损耗下限阈值。此喷嘴损耗下限阈值对应的损耗比为不影响运行但用于区分需要修正的分界点。

在本说明书的一个实施例中，获取该喷嘴实时损耗数据中的喷嘴实时损耗比。当该喷嘴实时损耗比小于该喷嘴损耗下限阈值时，判定该待监测喷油器的当前喷嘴状态为正常状态，认为系统正常。当该喷嘴实时损耗比不小于该喷嘴损耗下限阈值且不大于该喷嘴损耗上限阈值时，判定该待监测喷油器的当前喷嘴状态为待修正状态。当该喷嘴实时损耗比大于该喷嘴损耗上限阈值时，判定该待监测喷油器的当前喷嘴状态为待更换状态，判定为磨损过大，进行报错处理，并提示更换建议。

根据待监测喷油器的实际数据，设置与待监测喷油器匹配的损耗阈值，使得状态判断更具备针对性，此外，在设置状态时，除了正常状态和异常状态之外，设置待修正状态，实时对喷嘴磨损造成的运行差异进行修正，避免了喷嘴损耗造成的运行压力。

基于该当前喷嘴损耗状态，对该待监测喷油器的喷嘴进行状态监测，具体包括：当该待监测喷油器的当前喷嘴状态为待修正状态时，根据该喷嘴实时损耗比，生成加电时间修正系数；通过该加电时间修正系数对预先获取的该待监测喷油器的当前加电时间，进行修正，得到修正加电时间，以通过该修正加电时间对该待监测喷油器的喷嘴损耗进行修正。

在本说明书的一个实施例中，该待监测喷油器的当前喷嘴状态为待修正状态时，根据喷嘴实时损耗比X，生成加电时间修正系数K，其中K＝100/(100+X)；通过加电时间修正系数K和预先获取的该待监测喷油器的当前加电时间的乘积，得到修正加电时间，以通过修正加电时间对待监测喷油器的喷嘴损耗进行修正。

通过上述技术方案，根据待监测喷油器对应的当前发动机类型确定对应的当前人工智能监测模型，提高了模型与待监测喷油器的匹配程度，保证了模型的高度可用性；通过实时运行数据和匹配的当前人工智能监测模型，得到喷嘴实时损耗数据，提高喷嘴磨损估算精度，保证了损耗数据的获取及时性和准确性，可以满足状态监测的及时性需求和准确性需求；根据喷嘴实时损耗数据和预设的损耗阈值，对喷嘴进行状态监测，降低售后服务成本，提升客户满意度。

本说明书实施例还提供一种发动机喷油器的喷嘴状态监测设备，如图3所示，设备包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：

获取待监测喷油器的当前发动机参数，以通过该当前发动机参数，确定该待监测喷油器对应的当前发动机类型；基于该待监测喷油器对应的当前发动机类型，确定与该待监测喷油器匹配的当前人工智能监测模型；采集该待监测喷油器的实时运行数据，其中，该实时运行数据包括喷油器温度数据、喷油器流量数据、喷油器压力数据和喷油器环境数据；将该待监测喷油器的实时运行数据，输入至该当前人工智能监测模型中，以得到该待监测喷油器的喷嘴实时损耗数据；基于该喷嘴实时损耗数据和预设的损耗阈值，确定该待监测喷油器的当前喷嘴损耗状态，以基于该当前喷嘴损耗状态，对该待监测喷油器的喷嘴进行状态监测。

本说明书实施例还提供一种非易失性计算机存储介质，存储有计算机可执行指令，计算机可执行指令设置为：

获取待监测喷油器的当前发动机参数，以通过该当前发动机参数，确定该待监测喷油器对应的当前发动机类型；基于该待监测喷油器对应的当前发动机类型，确定与该待监测喷油器匹配的当前人工智能监测模型；采集该待监测喷油器的实时运行数据，其中，该实时运行数据包括喷油器温度数据、喷油器流量数据、喷油器压力数据和喷油器环境数据；将该待监测喷油器的实时运行数据，输入至该当前人工智能监测模型中，以得到该待监测喷油器的喷嘴实时损耗数据；基于该喷嘴实时损耗数据和预设的损耗阈值，确定该待监测喷油器的当前喷嘴损耗状态，以基于该当前喷嘴损耗状态，对该待监测喷油器的喷嘴进行状态监测。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。

本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上所述仅为本说明书的一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。