CN102109363A - 基于灰色系统预测理论的汽车用传感器软故障主动预测方法 - Google Patents
基于灰色系统预测理论的汽车用传感器软故障主动预测方法 Download PDFInfo
- Publication number
- CN102109363A CN102109363A CN2009102310590A CN200910231059A CN102109363A CN 102109363 A CN102109363 A CN 102109363A CN 2009102310590 A CN2009102310590 A CN 2009102310590A CN 200910231059 A CN200910231059 A CN 200910231059A CN 102109363 A CN102109363 A CN 102109363A
- Authority
- CN
- China
- Prior art keywords
- sensor
- automobile
- grey
- sigma
- sensing data
- 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.)
- Pending
Links
Landscapes
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
基于灰色系统预测理论的汽车用传感器软故障主动预测方法,属于发动机控制系统用传感器软故障检测技术领域。步骤如下:定周期连续采样汽车用传感器的传感数据s(0)(k),针对汽车用传感器的传感数据序列s(0)(1),s(0)(2),…s(0)(k),…s(0)(M)进行一次灰色累加生成获得汽车用传感器的传感数据序列的灰色一次累加生成序列,建立基于汽车用传感器的传感数据的汽车用传感器软故障灰色单变量一阶预测模型,通过灰色一次逆累加生成获得汽车用传感器的传感数据实际预测值实现了主动预测,提前预测精度失效趋势,避免了因传感器精度失效后而引起的未知发动机和汽车控制系统内故障,做到了防患于未然,提高了燃油利用率和其它控制模块的工作效率,保证了汽车系统运行的稳定性,动态响应快速性和精确性。
Description
技术领域
本发明涉及一种基于灰色系统预测理论的汽车用传感器软故障主动预测方法,属于发动机控制系统用传感器软故障检测技术领域。
背景技术
车用传感器是促进汽车高档化,电子化和智能自动化发展的关键技术之一,目前一般汽车装有几十或近百只传感器,而高级豪华汽车大约使用二三百只,它们能否正常运行是汽车能否正常行驶的关键,所以对传感器故障检测和诊断就显得极为重要。传感器故障主要分为硬故障和软故障,硬故障随机性较强,也较难预测,而软故障主要是传感器老化引起的精度下降等,导致信号失真。就汽车发动机控制系统有关的氧传感器,进气温度传感器,节气门开度传感器,曲轴位置及转速传感器,排气温度传感器,爆震传感器,车速传感器,冷却水温传感器等为例来说,这些传感器在喷油量控制和点火控制等方面都起到至关重要的作用,任何环节丧失精度,都会造成发动机控制系统控制精度的下降,造成汽车在未到达检修周期前,燃油消耗提高,有功功率下降,严重时甚至无法启动。经检索和调查,目前针对汽车传感器软故障检测的方法大都采用的是被动检测,即故障已经发生后才能进行检测或是按照保养说明定期到专业维修中心检测。
综上所述,现代汽车领域传感器故障检测还存在以下问题:
采取定期定点维修的策略,进行传感器软故障的排查,造成应对突发故障响应的严重滞后,存在安全隐患,尤其涉及到发动机控制系统,间接造成燃油的无谓消耗和有功功率的下降。
发明内容
本发明要解决的技术问题是:针对现有技术中存在的汽车用传感器软故障检测存在的一些不足,尤其是发动机控制系统用传感器软故障检测中存在的不足,提出了一种基于灰色系统预测理论的汽车用传感器软故障主动预测方法。
本发明解决其技术问题所采用的技术方案是:
基于灰色系统预测理论的汽车用传感器软故障主动预测方法,其特征在于:
步骤如下:
1.1定周期连续采样汽车用传感器的传感数据s(0)(k),其中k为单位周期采样时刻;
1.2针对汽车用传感器的传感数据序列s(0)(1),s(0)(2),…s(0)(k),…s(0)(M)进行一次灰色累加生成获得汽车用传感器的传感数据序列的灰色一次累加生成序列
s(1)(1),s(1)(2),…s(1)(k),…s(1)(M)
其中,M为单位周期采样总个数,且M≥4;
1.3针对汽车用传感器的传感数据序列的灰色一次累加生成序列
s(1)(1),s(1)(2),…s(1)(k),…s(1)(M)
进行汽车用传感器的传感数据序列的灰色一次累加生成序列的均值生成,获得汽车用传感器的传感数据序列的灰色一次累加生成序列的均值生成序列
ms(2),ms(3),…ms(k),…ms(M)
其中,均值生成的一般表达式为ms(k)=0.5s(1)(k)+0.5s(1)(k-1),k≥2;
1.4建立基于汽车用传感器的传感数据的汽车用传感器软故障灰色单变量一阶预测模型,具体表达式为:
其中灰作用量a,b的具体表达式如下
1.6根据步骤1.5的预测结果,将其与下一周期实际初始采样值比较,若其超出传感器标准设定误差,则可以判断汽车用传感器存在精度失效趋势,应及时检修。
与现有技术相比,本发明基于灰色系统预测理论的汽车用传感器软故障主动预测方法,所具有的有益效果是:
本发明的基于灰色系统预测理论的汽车用传感器软故障主动预测方法实施的是主动预测,提前预测精度失效趋势,避免了因传感器精度失效后而引起的未知发动机和汽车控制系统内故障,做到了防患于未然,提高了燃油利用率和其它控制模块的工作效率,且结合灰色系统少量数据便能进行短期精确预测的特点,保证了汽车系统运行的稳定性,动态响应快速性和精确性。
附图说明
图1是本发明基于灰色系统预测理论的汽车用传感器软故障主动预测方法的流程框图;
图2是本发明汽车用传感器故障主动预测的效果图。
具体实施方式
下面结合图1-2对本发明的基于灰色系统预测理论的汽车用传感器软故障主动预测方法做进一步详细描述。
如图1所示为本发明流程框图,具体步骤如下:
步骤1:定周期连续采样汽车用传感器的传感数据s(0)(k),其中k为单位周期采样时刻,定周期为200~500ms。
步骤2:针对汽车用传感器的传感数据序列s(0)(1),s(0)(2),…s(0)(k),…s(0)(M)进行一次灰色累加生成获得汽车用传感器的传感数据序列的灰色一次累加生成序列
s(1)(1),s(1)(2),…s(1)(k),…s(1)(M)
其中,M为单位周期采样总个数,且M≥4,灰色一次累加生成的具体运算表达式为:
步骤3:针对汽车用传感器的传感数据序列的灰色一次累加生成序列
s(1)(1),s(1)(2),…s(1)(k),…s(1)(M)
进行汽车用传感器的传感数据序列的灰色一次累加生成序列的均值生成,获得汽车用传感器的传感数据序列的灰色一次累加生成序列的均值生成序列
ms(2),ms(3),…ms(k),…ms(M)
其中,均值生成的一般表达式为ms(k)=0.5s(1)(k)+0.5s(1)(k-1),k≥2。
步骤4:建立基于汽车用传感器的传感数据的汽车用传感器软故障灰色单变量一阶预测模型,具体表达式为:
其中灰作用量a,b的具体表达式如下
步骤6:根据步骤5中的预测结果,将其与下一周期实际初始采样值比较,若其超出传感器标准设定误差,则可以判断汽车用传感器存在精度失效趋势,应及时检修。
实施例:
本发明实施例对象选择的是洛阳南峰机电设备制造有限公司制造生产配套的汽油发动机试验台架,此设备可以通过电涡流测功机,准确模拟各种行驶工况。
下面结合本发明针对实施例对象发动机的冷却水温度传感器对本发明基于灰色系统预测理论的汽车用传感器软故障主动预测方法坐详细阐述,需要说明的是为了实施例的准确性,采用双冷却水温度传感器,其中一个可以通过电位器模拟失真现象,另一个作为参考值,并设定传感器最大感应误差为±3%:
第一步,单位周期连续采样冷却水温度数据个数为5,获得的冷却水温度传感数据如表1所示:
表1
第二步,针对表1的冷却水温度传感数据进行灰色一次累加生成,并依据一次累加生成的公式 获得冷却水温度传感数据的灰色一次累加生成序列s(1)(1),s(1)(2),…s(1)(k),…s(1)(M),如表2所示:
表2
第三步,依据公式ms(k)=0.5s(1)(k)+0.5s(1)(k-1),k≥2,结合表2中的数据,计算冷却水温度传感数据的灰色一次累加生成序列的均值生成序列
ms(2),ms(3),…ms(k),…ms(M)
如表3所示:
表3
第四步,建立冷却水温度的传感数据的灰色单变量一阶预测模型,具体表达式为:
依据公式
步骤6:下一周期的初始实际冷却水温采样值(电位器模拟传感器)为82,其与预测值的绝对差超出预设±3%的允许工作误差,且结合实际冷却水温度传感器(无电位器模拟传感器)的采样值为91的事实,可以看出本发明很好的预测了失效趋势这一现象。
如图2所示为本发明基于灰色系统预测理论的汽车用传感器软故障主动预测方法的汽车用传感器故障主动预测效果图,图2中数据为另一采样周期的冷却水温度传感器实效测试,从图2中可以看出本发明的预测效果非常理想,数据采样点在到达第5个点时明显存在采样失真趋势,本发明很好的预测了这种趋势,从第6个点到第10个点的采样来看,更加确认了预测失效的趋势,做到了提前主动检测抑制失效趋势的发生,本发明的预测误差在0.75%以内。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (1)
1.基于灰色系统预测理论的汽车用传感器软故障主动预测方法,其特征在于:
步骤如下:
1.1定周期连续采样汽车用传感器的传感数据s(0)(k),其中k为单位周期采样时刻;
1.2针对汽车用传感器的传感数据序列s(0)(1),s(0)(2),…s(0)(k),…s(0)(M)进行一次灰色累加生成获得汽车用传感器的传感数据序列的灰色一次累加生成序列
s(1)(1),s(1)(2),…s(1)(k),…s(1)(M)
其中,M为单位周期采样总个数,且M≥4;
1.3针对汽车用传感器的传感数据序列的灰色一次累加生成序列
s(1)(1),s(1)(2),…s(1)(k),…s(1)(M)
进行汽车用传感器的传感数据序列的灰色一次累加生成序列的均值生成,获得汽车用传感器的传感数据序列的灰色一次累加生成序列的均值生成序列
ms(2),ms(3),…ms(k),…ms(M)
其中,均值生成的一般表达式为ms(k)=0.5s(1)(k)+0.5s(1)(k-1),k≥2;
1.4建立基于汽车用传感器的传感数据的汽车用传感器软故障灰色单变量一阶预测模型,具体表达式为:
其中灰作用量a,b的具体表达式如下
1.6根据步骤1.5的预测结果,将其与下一周期实际初始采样值比较,若其超出传感器标准设定误差,则可以判断汽车用传感器存在精度失效趋势,应及时检修。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009102310590A CN102109363A (zh) | 2009-12-26 | 2009-12-26 | 基于灰色系统预测理论的汽车用传感器软故障主动预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009102310590A CN102109363A (zh) | 2009-12-26 | 2009-12-26 | 基于灰色系统预测理论的汽车用传感器软故障主动预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102109363A true CN102109363A (zh) | 2011-06-29 |
Family
ID=44173582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009102310590A Pending CN102109363A (zh) | 2009-12-26 | 2009-12-26 | 基于灰色系统预测理论的汽车用传感器软故障主动预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102109363A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102419593A (zh) * | 2011-10-08 | 2012-04-18 | 济中节能技术(苏州)有限公司 | 基于数据挖掘的传感器故障诊断方法 |
CN103604432A (zh) * | 2013-11-25 | 2014-02-26 | 中国人民武装警察部队工程大学 | 一种导航信息动态粗精控制去野值算法 |
CN105389406A (zh) * | 2014-09-03 | 2016-03-09 | 上海通用汽车有限公司 | 基于故障的单位加权累计数的整车设计可靠性评估方法 |
WO2021130486A1 (en) * | 2019-12-23 | 2021-07-01 | University Of Surrey | Sensor fault prediction method and apparatus |
-
2009
- 2009-12-26 CN CN2009102310590A patent/CN102109363A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102419593A (zh) * | 2011-10-08 | 2012-04-18 | 济中节能技术(苏州)有限公司 | 基于数据挖掘的传感器故障诊断方法 |
CN102419593B (zh) * | 2011-10-08 | 2013-07-10 | 济中节能技术(苏州)有限公司 | 基于数据挖掘的传感器故障诊断方法 |
CN103604432A (zh) * | 2013-11-25 | 2014-02-26 | 中国人民武装警察部队工程大学 | 一种导航信息动态粗精控制去野值算法 |
CN105389406A (zh) * | 2014-09-03 | 2016-03-09 | 上海通用汽车有限公司 | 基于故障的单位加权累计数的整车设计可靠性评估方法 |
CN105389406B (zh) * | 2014-09-03 | 2019-07-19 | 上海通用汽车有限公司 | 基于故障的单位加权累计数的整车设计可靠性评估方法 |
WO2021130486A1 (en) * | 2019-12-23 | 2021-07-01 | University Of Surrey | Sensor fault prediction method and apparatus |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105966382B (zh) | 电动汽车及其所处环境的海拔高度估算方法和装置 | |
Liu et al. | Misfire detection of a turbocharged diesel engine by using artificial neural networks | |
CN106202635A (zh) | 一种基于多元回归模型的高速列车动态轴温预测方法 | |
Wang et al. | Fault diagnosis for manifold absolute pressure sensor (MAP) of diesel engine based on Elman neural network observer | |
CN102109363A (zh) | 基于灰色系统预测理论的汽车用传感器软故障主动预测方法 | |
CN101236167A (zh) | 气体传感器输出特性的提取方法和利用该方法的气体浓度测量装置及其方法 | |
Sun et al. | A parallel emission regulatory framework for intelligent transportation systems and smart cities | |
CN203719917U (zh) | 增程式混合动力测试系统 | |
CN105229285A (zh) | 上游NOx估测 | |
KR20090125070A (ko) | 엔진 파라미터를 결정하기 위한 방법 및 지시장치 | |
Wang et al. | Real-time misfire detection via sliding mode observer | |
CN109934379A (zh) | 空气污染物浓度的预测方法、装置及电子设备 | |
CN113176739A (zh) | 车辆用控制装置、车辆控制方法以及存储车辆用控制程序的非瞬时性的计算机可读介质 | |
Ma et al. | Improvement on the linear and nonlinear auto-regressive model for predicting the NOx emission of diesel engine | |
CN109781175A (zh) | 一种用于动力总成复现整车工况能量利用率解耦的装置及方法 | |
Zhang et al. | Integrated study of inland-vessel diesel engine two-cell SCR systems with dynamic references | |
Shen et al. | Challenges and solutions in automotive powertrain systems | |
CN111197517B (zh) | 尿素箱的故障诊断方法、装置、车辆及存储介质 | |
Fischer | Transient NOx estimation using artificial neural networks | |
Guardiola et al. | From OBD to connected diagnostics: a game changer at fleet, vehicle and component level | |
CN101761407B (zh) | 基于灰色系统预测理论的内燃机喷油量的主动控制方法 | |
KR20090060946A (ko) | 내부 평균 압력 및 실린더의 피스톤에 가해지는 실린더 압력에 의해서 실행되는 가스 작업을 확인하기 위한 방법 | |
CN103790720B (zh) | 用于识别在内燃发动机中所实际使用的燃料类型的方法 | |
CN105651323A (zh) | 基于gm(1,1)模型的传感器软故障主动预测方法 | |
Zhao et al. | Open-source dataset for control-oriented modelling in diesel engines |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20110629 |