CN101382468A - 基于稀疏表示的汽车发动机故障诊断系统和方法 - Google Patents
基于稀疏表示的汽车发动机故障诊断系统和方法 Download PDFInfo
- Publication number
- CN101382468A CN101382468A CNA2008101983423A CN200810198342A CN101382468A CN 101382468 A CN101382468 A CN 101382468A CN A2008101983423 A CNA2008101983423 A CN A2008101983423A CN 200810198342 A CN200810198342 A CN 200810198342A CN 101382468 A CN101382468 A CN 101382468A
- Authority
- CN
- China
- Prior art keywords
- module
- fault
- signal
- checked
- submodule
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种基于稀疏表示的汽车发动机故障诊断系统,它包括:DSP模块,用于运行诊断算法;IDE模块,用来存储故障档案数据库、待检信号数据库及诊断结果备案数据库;网络接口模块,用来接收来自网络的汽车发动机声音信号,并且发送诊断结果;I/O模块,用于提供人机交互机制;FPGA模块,用于系统控制和各模块之间的接口适配。本汽车发动机故障诊断方法包括:预处理、稀疏分解、故障档案和待检信号特征提取、分类算法训练、故障诊断、诊断结果分析、故障档案数据库和待检信号数据库更新、截止判决、诊断结果输出。本发明能实现对汽车发动机声音信号的远程诊断,所需故障档案数据库小,诊断正确率高,成本低,便于维护和升级。
Description
技术领域
本发明涉及汽车发动机故障诊断技术,具体涉及基于稀疏表示的汽车发动机故障诊断系统和方法。
背景技术
汽车发动机工作过程中发出的声音包含了大量的机械运行信号,当发动机发生故障时,它振动的声音及其频谱便会出现变异和失真。因而通过对发动机发出的声音信号进行分解,使得声音信号中的有用信号与无用信号能够分离,然后提取信号的特征,可以检测到发动机的运行状态,从而对其进行故障诊断。
目前,利用汽车发动机声音信号进行故障诊断的系统主要是基于PC机的,也有部分是基于嵌入式架构的,但整体的结构没有改变,都是从传感器获得发动机声音信号,然后进行处理,无法实现远程故障诊断,而且成本较高,升级和维护困难。
另一方面,已有的故障诊断方法为了获得较高的精度,必须预先建立规模庞大的故障档案数据库以提取判别能力良好的信号特征,在实际应用中既耗费了大量的成本又不方便。而且汽车发动机运动形式复杂多样、激励源多,声音信号的谐波属于非平稳信号,构成极为复杂,实际监测往往引入复杂的背景噪声,造成较强的干扰,传统时域或频域方法难于有效地把握其特点。
发明内容
本发明的目的在于克服上述现有技术的缺点和不足,提供一种基于稀疏表示的汽车发动机故障诊断系统,该系统能够对来自网络的汽车发动机声音信号进行远程故障诊断,而且数据处理能力强大,工作稳定,成本低,便于维护和升级。
本发明的目的还在于提供由上述基于稀疏表示的汽车发动机故障诊断系统实现汽车发动机故障诊断的方法,该方法将诊断可信的待检信号加入故障档案数据库,从而降低建立故障数据的成本,提高检测效率;并且自适应地选择基函数稀疏表示类间差异信号,获得识别能力强的特征,以提高故障诊断的正确率。
本发明目的通过下述技术方案实现:本基于稀疏表示的汽车发动机故障诊断系统,包括数字信号处理(DSP)模块、数据存储(IDE)模块、网络接口模块、输入输出(I/O)模块、现场可编程逻辑阵列(FPGA)模块,所述FPGA模块同时与DSP模块、IDE模块、网络接口模块、I/O模块相连接,DSP模块同时与IDE模块连接,所述网络接口模块与故障诊断终端信号连接。
所述DSP模块用于诊断汽车发动机声音信号,包括DSP芯片及相应的DDR2内存、Flash芯片等外围器件,所述Flash芯片用于固化故障诊断算法,DDR2内存用于实现数据的高速运算。
所述IDE模块存储有发动机声音信号故障档案数据库、待检信号数据库以及诊断结果备案数据库。
所述网络接口模块采用GSM(GPRS)或有线以太网(10M/100Mbps)等不同通信方式与故障诊断终端信号连接,接收来自网络的汽车发动机声音信号,并且发送诊断结果,完成对远程发动机声音信号采集器的访问和管理。
所述I/O模块包括键盘输入接口、液晶显示输出接口、USB数据导入接口和JATG调试接口,提供人机交互机制以及系统管理、维护和升级。
所述FPGA模块采用ARM9内核或PPC内核,可在内核中移植嵌入式实时操作系统(如μCOS、VxWorks等),用于控制和管理DSP模块、网络接口模块、IDE模块和I/O模块;
上述DSP模块、IDE模块、网络接口模块及I/O模块,均通过FPGA实现接口适配。
所述DSP芯片包括依次连接的预处理模块、稀疏分解模块、故障特征提取模块、分类算法模块、故障诊断模块、诊断结果分析模块、故障档案数据库更新模块、所述故障档案数据库更新模块同时与稀疏分解模块相连接,所述诊断结果分析模块同时与待检信号数据库更新模块、截止判决模块、诊断结果输出模块依次连接,所述稀疏分解模块与待检信号特征提取模块相连接后分别与故障诊断模块、截止判决模块相连接。
所述分类算法模块为支持向量机模块或其他分类算法模块。
所述稀疏分解模块包括类间差异子模块、超完备基子模块、基函数选择子模块、初始化子模块、逐次分解子模块、分解截止判决子模块,所述类间差异子模块、超完备基子模块同时与基函数选择子模块连接后依次与初始化子模块、逐次分解子模块、分解截止判决子模块相连接。
利用上述基于稀疏表示的汽车发动机故障诊断系统实现汽车发动机故障诊断的方法,包括下述步骤:
(1)系统启动后,FPGA模块负责调度并完成IDE模块、DSP模块、网络接口模块和I/O模块的自检;
(2)FPGA模块通过网络接口模块广播系统启动消息,接收故障诊断终端的应答信息,记录网络拓扑结构,并存储在IDE模块中;
(3)故障诊断终端向系统发送待检的汽车发动机声音信号,该信号通过网络接口传至FPGA模块,生成待检信号数据库,并存储在IDE模块中;
(4)DSP模块在IDE模块中调用故障档案数据库,先通过预处理模块对故障档案数据库中的发动机声音信号进行预处理;接着通过稀疏分解模块对预处理后的故障档案类间差异信号进行自适应稀疏分解,选择最优基函数;然后通过故障特征提取模块计算所选基函数与故障档案信号的内积,提取故障档案特征;最后通过分类算法模块,利用故障档案特征训练分类算法;
(5)DSP模块从IDE模块中取出待检信号,先通过预处理模块对待检信号进行预处理;接着通过待检信号特征提取模块,计算步骤(4)所选基函数与待检信号的内积,生成待检信号特征;然后通过故障诊断模块,将待检信号的特征代入步骤(4)所训练的分类算法,进行故障诊断;最后通过诊断结果分析模块,依据待检信号特征至分类超平面的距离,设置故障诊断置信度门限,判断诊断结果是否可信,若可信,通过故障档案数据库更新模块,将可信的待检信号加入故障档案数据库,否则,通过待检信号数据库更新模块,将不可信的待检信号保留在待检信号数据库;
(6)DSP模块通过截止判决模块核查待检信号数据库,若它为空或在前后两轮诊断中无变化,则将诊断结果汇总并传送至FPGA模块;否则重复步骤(4)、(5)进行新一轮的诊断;
(7)FPGA模块将汇总的诊断结果存入诊断结果备案数据库,并通过网络接口模块将诊断结果发送至故障诊断终端;
上述方法中,预处理模块对故障档案数据库中的发动机声音信号进行预处理包括选择合适的采样频率、数据长度,利用中值滤波算法去除噪声。
上述方法中,预处理模块对待检信号进行预处理包括选择合适的采样频率、数据长度,利用中值滤波算法去除噪声。
上述方法中,步骤(4)、(5)所述的分类算法为支持向量机。
上述方法中,当所述故障档案数据库为2分类故障档案数据库时,步骤(4)所述稀疏分解模块对预处理后的故障档案类间差异信号进行自适应稀疏分解,选择最优基函数,具体包括以下步骤:
A、类间差异子模块计算故障档案数据库2类信号均值的差异D(t),即:
其中x(t)为故障档案数据库发动机声音信号,ω1,ω2表示类别标志,n1,n2分别为两类信号的数量;
C、基函数选择子模块采用匹配跟踪算法和粒子群优化算法,选择少数基函数稀疏表示故障档案类间差异信号,即:
(a)设第0次残余信号r0(t)=D(t),初始化子模块对基函数参数un,sn,fn,βn进行编码,初始化粒子群;
(c)分解截止判决子模块负责计算残余信号能量‖rp(t)‖与‖D(t)‖的比值,若该比值不小于预设门限时,则返回逐次分解子模块对残余信号继续进行逐次分解,若该比值小于预设门限时,则停止分解,输出每一次分解所选的最优基函数。
当所述故障档案数据库为3分类以上的故障档案数据库时,采用逐一鉴别法,反复运行上述对2分类故障档案数据库时的故障诊断方法,逐一判断待检信号是否属于故障档案数据库的每一种故障。
本发明基于稀疏表示的汽车发动机故障诊断系统相对于现有技术具有以下优点:
(1)本发明通过网络获取远程汽车发动机待检声音信号,能够及时地诊断故障类别,大大方便了各网点(尤其是偏远地区)的汽车维修工作;
(2)本发明的系统不仅具有强大的数据处理能力,诊断速度快,而且便于维护和升级,成本较低;
(3)本发明将诊断可信的待检信号加入故障档案数据库,所需故障档案数据库小,能够有效地降低成本,提高检测效率;
(4)本发明引入待检发动机声音信号作为反馈信息,可自适应的选择稀疏表示的基函数,获得识别能力强的特征,从而提高故障诊断正确率。
附图说明
图1是本发明系统的硬件结构图;
图2是本发明系统中的DSP芯片的结构图;
图3是本发明系统中的稀疏分解模块的结构图;
图4是本发明基于稀疏表示的汽车发动机故障诊断方法的流程框图;
图5是当所述故障档案数据库为2分类故障档案数据库时,稀疏分解模块进行稀疏分解,选择最优基函数的流程框图。
具体实施方式
下面结合实施例及附图,对本发明作进一步地详细说明,但本发明的实施方式不限于此。
实施例
图1所示为本发明系统的硬件结构图,本基于稀疏表示的汽车发动机故障诊断系统,包括DSP模块、IDE模块、网络接口模块、I/O模块、FPGA模块,所述FPGA模块同时与DSP模块、IDE模块、网络接口模块、I/O模块相连接,DSP模块同时与IDE模块连接,所述网络接口模块与故障诊断终端信号连接。
所述DSP模块,用于诊断汽车发动机声音信号;
所述IDE模块存储有发动机声音信号故障档案数据库、待检信号数据库以及诊断结果备案数据库。
所述网络接口模块,用来接收来自网络的汽车发动机声音信号,并且发送诊断结果;
所述I/O模块,用于提供人机交互机制,方便系统管理、维护和升级。
所述FPGA模块,用于实现DSP模块、网络接口模块、IDE模块和I/O模块的控制和管理;
上述DSP模块、IDE模块、网络接口模块及I/O模块,均通过FPGA实现接口适配。
所述DSP模块可选用TI公司的浮点型DSP芯片(如TMS320C6727B)及相应的DDR2、Flash等外围器件。Flash芯片用于固化故障诊断算法,DDR2内存用于实现数据的高速运算。
所述IDE可选用大容量IDE,存储有发动机声音信号故障档案数据库、待检信号数据库以及诊断结果备案数据库。
所述网络接口模块,可根据实际需求采用GSM(GPRS)或有线以太网(10M/100Mbps)等不同通信方式来实现,通过网络完成对远程发动机声音信号采集器的访问和管理。
所述I/O模块接口,包括键盘输入接口、液晶显示输出接口、USB数据导入接口和JATG调试接口。
所述FPGA模块可选用Xilinx公司的(如XC3S400-PQ208),其中包含ARM9内核或PPC内核,可在内核中移植嵌入式实时操作系统(如μCOS、VxWorks等),用于实现网络和系统管理的功能。
图2所示为本发明系统中的DSP芯片的具体结构,DSP芯片包括依次连接的预处理模块、稀疏分解模块、故障特征提取模块、分类算法模块、故障诊断模块、诊断结果分析模块、故障档案数据库更新模块、所述故障档案数据库更新模块同时与稀疏分解模块相连接,所述诊断结果分析模块同时与待检信号数据库更新模块、截止判决模块、诊断结果输出模块依次连接,所述稀疏分解模块与待检信号特征提取模块相连接后分别与故障诊断模块、截止判决模块相连接。
所述稀疏分解模块的结构如图3所示,包括类间差异子模块、超完备基子模块、基函数选择子模块、初始化子模块、逐次分解子模块、分解截止判决子模块,所述类间差异子模块、超完备基子模块同时与基函数选择子模块连接后依次与初始化子模块、逐次分解子模块、分解截止判决子模块相连接。
图4所示为本发明基于稀疏表示的汽车发动机故障诊断方法的流程框图,本系统的工作过程包括以下步骤:
(1)系统启动后,FPGA模块负责调度并完成IDE模块、DSP模块、网络接口模块和I/O模块的自检;
(2)FPGA模块通过网络接口模块广播系统启动消息,接收故障诊断终端的应答信息,记录网络拓扑结构,并存储在IDE模块中;
(3)故障诊断终端向系统发送待检的汽车发动机声音信号,该信号通过网络接口传至FPGA模块,生成待检信号数据库,并存储在IDE模块中;
(4)DSP模块在IDE模块中调用故障档案数据库,先通过预处理模块对故障档案数据库中的发动机声音信号进行预处理,包括选择合适的采样频率、数据长度,利用中值滤波算法去除噪声;接着通过稀疏分解模块对预处理后的故障档案类间差异信号进行自适应稀疏分解,选择最优基函数;然后通过故障特征提取模块计算所选基函数与故障档案信号的内积,提取故障档案特征;最后通过分类算法模块,利用故障档案特征训练支持向量机,支持向量机就像一杆枪,需要输入故障档案训练校准,然后才可以用,至于输入训练的过程只是调用标准函数);
(5)DSP模块从IDE模块中取出待检信号,先通过预处理模块对待检信号进行预处理,包括选择合适的采样频率、数据长度,利用中值滤波算法去除噪声;接着通过待检信号特征提取模块,计算步骤(4)所选基函数与待检信号的内积,生成待检信号特征;然后通过故障诊断模块,将待检信号的特征代入步骤(4)所训练的分类算法,进行故障诊断;最后通过诊断结果分析模块,依据待检信号特征至分类超平面的距离,设置故障诊断置信度门限,判断诊断结果是否可信,若可信,通过故障档案数据库更新模块,将可信的待检信号加入故障档案数据库,否则,通过待检信号数据库更新模块,将不可信的待检信号保留在待检信号数据库;
(6)DSP模块通过截止判决模块核查待检信号数据库,若它为空或在前后两轮诊断中无变化,则将诊断结果汇总并传送至FPGA模块;否则重复步骤(4)、(5)进行新一轮的诊断;
(7)FPGA模块将汇总的诊断结果存入诊断结果备案数据库,同时从I/O模块输出到液晶屏幕上显示,并通过网络接口模块将诊断结果发送至故障诊断终端;
上述方法中,当所述故障档案数据库为2分类故障档案数据库时,步骤(4)所述稀疏分解模块对预处理后的故障档案类间差异信号进行自适应稀疏分解,选择最优基函数,如图5所示,具体包括以下步骤:
A、类间差异子模块计算故障档案数据库2类信号均值的差异D(t),即:
其中x(t)为故障档案数据库发动机声音信号,ω1,ω2表示类别标志,n1,n2分别为两类信号的数量;
C、基函数选择子模块采用匹配跟踪算法和粒子群优化算法,选择少数基函数稀疏表示故障档案类间差异信号,即:
(a)设第0次残余信号r0(t)=D(t),初始化子模块对基函数参数un,sn,fn,βn进行编码,初始化粒子群;
(c)分解截止判决子模块负责计算残余信号能量‖rp(t)‖与‖D(t)‖的比值,若该比值不小于预设门限时,则返回逐次分解子模块对残余信号继续进行逐次分解,若该比值小于预设门限时,则停止分解,输出每一次分解所选的最优基函数。
当所述故障档案数据库为3分类以上的故障档案数据库时,采用逐一鉴别法,反复运行上述对2分类故障档案数据库时的故障诊断方法,逐一判断待检信号是否属于故障档案数据库的每一种故障。
所述的逐一鉴别法,可如下面的例子表述:设故障档案数据库为3分类以上的故障档案数据库,即故障有3类:A、B、C,以及新来的信号D;首先判断信号D属于A或者不属于A;若不属于A,那么判断D属于B或不属于B;若D既不属于A又不属于B,那么D属于C。其实每一步2分类故障档案数据库时的故障诊断方法,需要把上述2分类的故障诊断方法的程序跑一遍。那么一个3分类问题就需要跑2遍,n分类问题就需要跑n-1遍。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1、基于稀疏表示的汽车发动机故障诊断系统,其特征在于:包括DSP模块、IDE模块、网络接口模块、I/O模块、FPGA模块,所述FPGA模块同时与DSP模块、IDE模块、网络接口模块、I/O模块相连接,DSP模块同时与IDE模块连接,所述网络接口模块与故障诊断终端信号连接。
2、根据权利要求1所述基于稀疏表示的汽车发动机故障诊断系统,其特征在于:所述DSP模块包括DSP芯片及相应的DDR2内存、Flash芯片。
3、根据权利要求1所述基于稀疏表示的汽车发动机故障诊断系统,其特征在于:所述IDE模块存储有发动机声音信号故障档案数据库、待检信号数据库以及诊断结果备案数据库。
4、根据权利要求1所述基于稀疏表示的汽车发动机故障诊断系统,其特征在于:所述网络接口模块采用GSM或有线以太网与故障诊断终端信号连接。
5、根据权利要求1所述基于稀疏表示的汽车发动机故障诊断系统,其特征在于:所述I/O模块包括键盘输入接口、液晶显示输出接口、USB数据导入接口和JATG调试接口。
6、根据权利要求1所述基于稀疏表示的汽车发动机故障诊断系统,其特征在于:所述FPGA模块采用ARM9内核或PPC内核。
7、根据权利要求2所述基于稀疏表示的汽车发动机故障诊断系统,其特征在于:所述DSP芯片包括依次连接的预处理模块、稀疏分解模块、故障特征提取模块、分类算法模块、故障诊断模块、诊断结果分析模块、故障档案库更新模块、所述故障档案库更新模块同时与稀疏分解模块相连接,所述诊断结果分析模块同时与待检信号数据库更新模块、截止判决模块、诊断结果输出模块依次连接,所述稀疏分解模块与待检信号特征提取模块相连接后分别与故障诊断模块、截止判决模块相连接。
8、根据权利要求7所述基于稀疏表示的汽车发动机故障诊断系统,其特征在于:所述稀疏分解模块包括类间差异子模块、超完备基子模块、基函数选择子模块、初始化子模块、逐次分解子模块、分解截止判决子模块,所述类间差异子模块、超完备基子模块同时与基函数选择子模块连接后依次与初始化子模块、逐次分解子模块、分解截止判决子模块相连接。
9、一种利用权利要求1~8任一项所述系统实现的基于稀疏表示的汽车发动机故障诊断的方法,其特征在于,包括下述步骤:
(1)系统启动后,FPGA模块负责调度并完成IDE模块、DSP模块、网络接口模块和I/O模块的自检;
(2)FPGA模块通过网络接口模块广播系统启动消息,接收故障诊断终端的应答信息,记录网络拓扑结构,并存储在IDE模块中;
(3)故障诊断终端向系统发送待检的汽车发动机声音信号,该信号通过网络接口传至FPGA模块,生成待检信号数据库,并存储在IDE模块中;
(4)DSP模块在IDE模块中调用故障档案数据库,先通过预处理模块对故障档案数据库中的发动机声音信号进行预处理;接着通过稀疏分解模块对预处理后的故障档案类间差异信号进行自适应稀疏分解,选择最优基函数;然后通过故障特征提取模块计算所选基函数与故障档案信号的内积,提取故障档案特征;最后通过分类算法模块,利用故障档案特征训练分类算法;
(5)DSP模块从IDE模块中取出待检信号,先通过预处理模块对待检信号进行预处理;接着通过待检信号特征提取模块,计算步骤(4)所选基函数与待检信号的内积,生成待检信号特征;然后通过故障诊断模块,将待检信号的特征代入步骤(4)所训练的分类算法,进行故障诊断;最后通过诊断结果分析模块,依据待检信号特征至分类超平面的距离,设置故障诊断置信度门限,判断诊断结果是否可信,若可信,通过故障档案数据库更新模块,将可信的待检信号加入故障档案数据库,否则,通过待检信号数据库更新模块,将不可信的待检信号保留在待检信号数据库;
(6)DSP模块通过截止判决模块核查待检信号数据库,若它为空或在前后两轮诊断中无变化,则将诊断结果汇总并传送至FPGA模块;否则重复步骤(4)、(5)进行新一轮的诊断;
(7)FPGA模块将汇总的诊断结果存入诊断结果备案数据库,并通过网络接口模块将诊断结果发送至故障诊断终端。
10、根据权利要求9所述的基于稀疏表示的汽车发动机故障诊断的方法,其特征在于:当所述故障档案库为2分类故障档案库时,步骤(4)所述稀疏分解模块对预处理后的故障档案类间差异信号进行自适应稀疏分解,选择最优基函数,具体包括以下步骤:
A、类间差异子模块计算故障档案库2类信号均值的差异D(t),即:
其中x(t)为故障档案库发动机声音信号,ω1,ω2表示类别标志,n1,n2分别为两类信号的数量;
C、基函数选择子模块采用匹配跟踪算法和粒子群优化算法,选择少数基函数稀疏表示故障档案库类间差异信号,即:
(a)设第0次残余信号r0(t)=D(t),初始化子模块对基函数参数un,sn,fn,βn进行编码,初始化粒子群;
(c)分解截止判决子模块负责计算残余信号能量‖rp(t)‖与‖D(t)‖的比值,若该比值不小于预设门限时,则返回逐次分解子模块对残余信号继续进行逐次分解,若该比值小于预设门限时,则停止分解,输出每一次分解所选的最优基函数;
当所述故障档案数据库为3分类以上的故障档案数据库时,采用逐一鉴别法,反复运行上述对2分类故障档案数据库时的故障诊断方法,逐一判断待检信号是否属于故障档案数据库的每一种故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200810198342A CN100595548C (zh) | 2008-09-05 | 2008-09-05 | 基于稀疏表示的汽车发动机故障诊断系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200810198342A CN100595548C (zh) | 2008-09-05 | 2008-09-05 | 基于稀疏表示的汽车发动机故障诊断系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101382468A true CN101382468A (zh) | 2009-03-11 |
CN100595548C CN100595548C (zh) | 2010-03-24 |
Family
ID=40462425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200810198342A Expired - Fee Related CN100595548C (zh) | 2008-09-05 | 2008-09-05 | 基于稀疏表示的汽车发动机故障诊断系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100595548C (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102466566A (zh) * | 2010-11-03 | 2012-05-23 | 财团法人工业技术研究院 | 动力设备异常检测装置及其检测方法 |
CN102494894A (zh) * | 2011-11-17 | 2012-06-13 | 高丙团 | 风力发电机组音频监测和故障诊断系统及其方法 |
CN102521613A (zh) * | 2011-12-17 | 2012-06-27 | 山东省科学院自动化研究所 | 一种汽车电子系统的故障诊断方法 |
CN102661866A (zh) * | 2012-05-11 | 2012-09-12 | 天津工业大学 | 基于时域能量和支持向量机的发动机故障识别方法 |
CN104182642A (zh) * | 2014-08-28 | 2014-12-03 | 清华大学 | 一种基于稀疏表示的故障检测方法 |
CN104380063A (zh) * | 2012-07-25 | 2015-02-25 | 株式会社日立制作所 | 异常音检测系统 |
CN104598654A (zh) * | 2014-10-07 | 2015-05-06 | 芜湖扬宇机电技术开发有限公司 | 点火提前角预测系统及其方法 |
CN105242110A (zh) * | 2015-09-08 | 2016-01-13 | 广东电网有限责任公司东莞供电局 | 一种配电网多点谐波污染溯源方法 |
CN106527403A (zh) * | 2016-12-13 | 2017-03-22 | 象翌微链科技发展有限公司 | 车辆智能诊断方法及装置 |
CN110360024A (zh) * | 2019-07-29 | 2019-10-22 | 西北工业大学 | 一种基于fpga+dsp的火箭发动机机载故障诊断装置 |
CN110763487A (zh) * | 2019-11-08 | 2020-02-07 | 江苏食品药品职业技术学院 | 一种汽车检测线远程智能诊断系统 |
CN111999064A (zh) * | 2020-06-30 | 2020-11-27 | 中国航发南方工业有限公司 | 一种发动机健康监视单元 |
-
2008
- 2008-09-05 CN CN200810198342A patent/CN100595548C/zh not_active Expired - Fee Related
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102466566B (zh) * | 2010-11-03 | 2014-08-13 | 财团法人工业技术研究院 | 动力设备异常检测装置及其检测方法 |
CN102466566A (zh) * | 2010-11-03 | 2012-05-23 | 财团法人工业技术研究院 | 动力设备异常检测装置及其检测方法 |
CN102494894A (zh) * | 2011-11-17 | 2012-06-13 | 高丙团 | 风力发电机组音频监测和故障诊断系统及其方法 |
CN102521613A (zh) * | 2011-12-17 | 2012-06-27 | 山东省科学院自动化研究所 | 一种汽车电子系统的故障诊断方法 |
CN102521613B (zh) * | 2011-12-17 | 2014-01-08 | 山东省科学院自动化研究所 | 一种汽车电子系统的故障诊断方法 |
CN102661866A (zh) * | 2012-05-11 | 2012-09-12 | 天津工业大学 | 基于时域能量和支持向量机的发动机故障识别方法 |
CN104380063B (zh) * | 2012-07-25 | 2017-04-12 | 株式会社日立制作所 | 异常音检测系统 |
CN104380063A (zh) * | 2012-07-25 | 2015-02-25 | 株式会社日立制作所 | 异常音检测系统 |
CN104182642B (zh) * | 2014-08-28 | 2017-06-09 | 清华大学 | 一种基于稀疏表示的故障检测方法 |
CN104182642A (zh) * | 2014-08-28 | 2014-12-03 | 清华大学 | 一种基于稀疏表示的故障检测方法 |
CN104598654A (zh) * | 2014-10-07 | 2015-05-06 | 芜湖扬宇机电技术开发有限公司 | 点火提前角预测系统及其方法 |
CN105242110A (zh) * | 2015-09-08 | 2016-01-13 | 广东电网有限责任公司东莞供电局 | 一种配电网多点谐波污染溯源方法 |
CN105242110B (zh) * | 2015-09-08 | 2018-04-10 | 广东电网有限责任公司东莞供电局 | 一种配电网多点谐波污染溯源方法 |
CN106527403A (zh) * | 2016-12-13 | 2017-03-22 | 象翌微链科技发展有限公司 | 车辆智能诊断方法及装置 |
CN106527403B (zh) * | 2016-12-13 | 2019-01-08 | 象翌微链科技发展有限公司 | 车辆智能诊断方法及装置 |
CN110360024A (zh) * | 2019-07-29 | 2019-10-22 | 西北工业大学 | 一种基于fpga+dsp的火箭发动机机载故障诊断装置 |
CN110763487A (zh) * | 2019-11-08 | 2020-02-07 | 江苏食品药品职业技术学院 | 一种汽车检测线远程智能诊断系统 |
CN111999064A (zh) * | 2020-06-30 | 2020-11-27 | 中国航发南方工业有限公司 | 一种发动机健康监视单元 |
Also Published As
Publication number | Publication date |
---|---|
CN100595548C (zh) | 2010-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100595548C (zh) | 基于稀疏表示的汽车发动机故障诊断系统和方法 | |
CN112161784B (zh) | 基于多传感器信息融合迁移网络的机械故障诊断方法 | |
CN101770219B (zh) | 一种车铣复合机床故障诊断知识库的知识获取方法 | |
CN111539553B (zh) | 基于svr算法和偏峰度的风电机组发电机故障预警方法 | |
CN102819239A (zh) | 一种数控机床智能故障诊断方法 | |
CN102507230B (zh) | 一种自动供输弹装置故障诊断方法 | |
CN105590146A (zh) | 一种基于大数据的电厂设备智能预测检修方法和系统 | |
CN102103036A (zh) | 基于振动和音频信息的汽车发动机故障诊断系统 | |
CN109605128B (zh) | 一种基于功率谱熵差的铣削颤振在线检测方法 | |
CN104564542B (zh) | 一种基于大数据技术的故障诊断系统及其诊断方法 | |
CN111651530A (zh) | 一种智能化港口监测系统 | |
Karabadji et al. | A data sampling and attribute selection strategy for improving decision tree construction | |
CN111351665A (zh) | 基于emd和残差神经网络的滚动轴承故障诊断方法 | |
CN114893360B (zh) | 风电机组塔筒异常振动识别和运行状态监测方法及系统 | |
Li et al. | Self-supervised metalearning generative adversarial network for few-shot fault diagnosis of hoisting system with limited data | |
Manju et al. | A data mining study for condition monitoring on wind turbine blades using hoeffding tree algorithm through statistical and histogram features | |
CN115979661A (zh) | 基于深度学习和改进证据融合理论的船用柴油机故障诊断方法 | |
CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
CN2890860Y (zh) | 一种船舶轴系扭振实时检测与诊断系统 | |
CN116956215A (zh) | 一种传动系统故障诊断方法及系统 | |
Shao et al. | Power quality monitoring in electric grid integrating offshore wind energy: A review | |
CN117392824A (zh) | 一种海上风电升压站的钢结构监测预警平台 | |
CN112270209A (zh) | 一种联合收割机脱粒滚筒振动信号特征提取方法 | |
CN110377009B (zh) | 一种用于汽车故障诊断的方法和系统 | |
Ren et al. | Research on fault feature extraction of hydropower units based on adaptive stochastic resonance and fourier decomposition method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20100324 Termination date: 20150905 |
|
EXPY | Termination of patent right or utility model |