CN102707713B - 汽车安全气囊装配工序的故障诊断系统及其诊断方法 - Google Patents
汽车安全气囊装配工序的故障诊断系统及其诊断方法 Download PDFInfo
- Publication number
- CN102707713B CN102707713B CN201210199420.8A CN201210199420A CN102707713B CN 102707713 B CN102707713 B CN 102707713B CN 201210199420 A CN201210199420 A CN 201210199420A CN 102707713 B CN102707713 B CN 102707713B
- Authority
- CN
- China
- Prior art keywords
- data
- fault diagnosis
- fault
- sensor
- air bag
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
汽车安全气囊装配工序的故障诊断系统及其诊断方法涉及汽车气囊检测领域,该系统包括现场信息采集装置、信号调理电路、计算机处理子系统、故障输出单元和上位机;现场信息采集装置采集气囊装配工序故障诊断所需的数据信息,并将采集的数据信息传送给信号调理电路进行调理,然后计算机处理子系统对接收到的数据信息进行处理与融合分析,并将处理与分析得到的诊断结果传送给故障输出单元进行显示和输出,同时将故障诊断结果传送给上位机存储,更新故障数据样本库。本发明有效提高了汽车安全气囊布袋装配工序故障诊断的准确率,避免了虚警和漏警情况的发生,使故障诊断的结果更加合理,更具有实用性。
Description
技术领域
本发明涉及汽车安全气囊的检测领域,具体涉及一种汽车安全气囊装配工序的故障诊断系统及其诊断方法。
背景技术
安全气囊是汽车的重要安全部件,对生产线生产过程要求较高,因此生产过程控制与故障诊断技术尤为重要,目前故障诊断的方法通常是根据传感器检测来的数据,通过设定相应的阀值进行故障诊断判断,当气囊的尺寸发生改变时,相应的阀值参数均需要重新修订。实际的装配系统是非常复杂且高度非线性的,很难建立严格的数学模型,而且在装配工序中,需要多个传感器同时进行协调工作,因此依靠单一的传感器数据信息,很难满足获取生产环境信息的快速性和准确性,并且也会对系统的故障诊断产生影响。
由于影响生产线故障诊断的传感器数量较多,为了提高系统故障诊断的快速性,传统的数据压缩方法可将传感器采集到的高维数据信息压缩至低维的子空间中,从而实现输入数据的简化,达到有效快速进行故障诊断的目的。但实际工业生产中,由于测量数据具有时间多尺度特性,并且包含各种各样的检测噪声,因此可能会有虚警情况以及漏报警情况发生。
自组织特征映射网络(SOM)是由Kohonen在1982年提出,SOM网络的拓扑结构包括一个输入层和一个输出层。输入层的节点数即为输入样本的维数,其中每一个节点代表输入样本中的一个分量。输出层节点的排列结构选择为二维阵列。输入层中的每个节点与输出层中的每个神经元节点通过权值相连接。通过自组织竞争学习网络,可以把输入空间的多维映射到低维的离散网络上,并将保持相同性质的输入数据在映射到低维空间时的拓扑一致性,不需要系统严格的数学模型,适用于一些复杂的非线性动态系统的故障诊断,但自组织特征映射网络中,如果某个神经元的初始权值向量太远,可能在竞争中无法获胜,从而形成死神经元。
发明内容
为了解决现有技术中存在的故障诊断准确率低且不及时,以及出现虚警和漏报警情况的技术问题,本发明提出一种汽车安全气囊装配工序的故障诊断系统及其诊断方法,其充分利用气囊装配工序中的各种传感器信息,采用多尺度BP神经网络、小波函数和三层自组织特征映射网络(SOM)的方法进行数据融合分析,使故障诊断结果具有较高的准确率。
本发明解决上述技术问题所采用的技术方案是:
汽车安全气囊装配工序的故障诊断系统包括现场信息采集装置、信号调理电路、计算机处理子系统、故障输出单元和上位机;所述现场信息采集装置与信号调理电路相连,其用于采集气囊装配工序故障诊断所需的数据信息,并将采集的数据信息传送给信号调理电路;所述信号调理电路与计算机处理子系统相连,其用于将接收到的数据信息进行调理后传送给计算机处理子系统;所述计算机处理子系统与故障输出单元相连,其用于对接收到的数据信息进行处理与融合分析,并将处理与分析得到的诊断结果传送给故障输出单元;所述故障输出单元与上位机相连,其用于显示和输出故障诊断结果,并将故障诊断结果传送给上位机;所述上位机存储接收到的故障诊断结果,并对故障数据样本库进行数据更新。
上述现场信息采集装置包括压力传感器、左卷袋电机光栅尺传感器、右卷袋电机光栅尺传感器、左卷袋电机速度传感器和右卷袋电机速度传感器,每个传感器分别与信号调理电路相连;压力传感器用于采集布袋的张紧力数据,左卷袋电机光栅尺传感器和右卷袋电机光栅尺传感器用于采集布袋卷动机构的直线位移数据,左卷袋电机速度传感器和右卷袋电机速度传感器用于采集布袋卷动机构中两个电机的转速数据;上述计算机处理子系统包括DSP中央处理器、电源电路、晶振和复位电路,DSP中央处理器分别与电源电路、晶振、复位电路相连,所述DSP中央处理器为DSPTMS320F2812,其用于对信号调理电路传来的数据首先采用多尺度BP神经网络的方法进行数据压缩处理,然后利用自组织特征映射网络实现汽车安全气囊装配工序的故障诊断分析,通过小波函数构造自组织特征映射网络的领域函数,形成次兴奋神经元进行权值更新;电源电路用于为计算机处理子系统提供所需的标准电源,晶振用于提供计算机处理子系统的工作频率,复位电路用于实现计算机处理子系统的复位操作;上述故障输出单元包括液晶显示模块、报警电路和RS232,它们均与DSP中央处理器相连,液晶显示模块用于显示DSP中央处理器输出的故障诊断结果,报警电路用于根据故障诊断结果发出报警提示,RS232用于DSP中央处理器与上位机之间的数据通信。
上述汽车安全气囊装配工序的故障诊断系统的诊断方法,包括如下步骤:
步骤一、将现场信息采集装置中的传感器采集来的对气囊装配工序故障影响最大的五个传感器信息数据作为汽车安全气囊装配工序的故障诊断系统的输入变量,设输入向量为X={x1,x2,x3,x4,x5},其中,x1、x2为装配工序左侧和右侧光栅尺传感器的检测信号,x3、x4为左侧和右侧卷袋电机速度传感器的检测信号,x5为压力传感器的检测信号;预先采样上述五个传感器各自的18个输出数据序列,设第m个传感器在i时刻的采样值为xmi,设定传感器检测数据的移动窗长为18,经对称添加形成的浮动数据窗数据为xmi-17,xmi-16,...,xmi-1,xmi,xmi,xmi- 1,…,xmi-16,xmi-17;
步骤二、利用离散正交小波变换中的哈尔小波转换(haar)对步骤一所述的每个传感器采集的输出数据序列进行4层小波分解,得到近似尺度系数序列和小波系数序列Cm4(t)、Wm1(t)、Wm2(t)、Wm3(t)和Wm4(t),m对应装配工位的五个传感器数据,m=1,2,…,5。
步骤三、将经过步骤二中每个时间尺度上求得的小波系数作为多尺度BP神经网络模型的输入,五个传感器尺度1的系数w11(t)、w21(t)、…、w51(t)作为多尺度BP神经网络1的输入,五个传感器尺度2的系数w12(t)、w22(t)、…、w52(t)作为多尺度BP神经网络2的输入,以此类推,c14(t)、c24(t)、…、c54(t)作为多尺度BP神经网络5的输入,经多尺度BP神经网络计算之后,输出为不同尺度下传感器数据变化情况,分为快变、慢变、正常、故障四种,分别采用两位二进制数进行编码,即快变=01、慢变=10、正常=11、故障=00,不同尺度下相应的二进制编码作为小波邻函数自组织神经网络故障诊断模型的输入;
步骤四、对经过步骤三所述的多尺度BP神经网络压缩的数据,采用基于小波邻函数的自组织神经网络进行故障诊断;
步骤五、通过液晶显示和故障报警方式输出经过步骤四得到的诊断结果,同时将故障诊断结果通过RS232保存至上位机中更新故障样本数据库;
步骤六、移动窗的位置,输入新数据,旧数据移出,保证18个数据不变,然后对称添加形成的浮动数据窗,对浮动数据窗内新的传感器数据序列进行下一次的小波分解,重复步骤二至步骤六,实现汽车安全气囊装配工序的动态实时故障诊断。
本发明的有益效果如下:
1、本发明采用了现场信息采集装置,可实时获取来自汽车安全气囊布袋装配工序的各项参数,并将采集到的数据信息传到计算机处理子系统;
2、本发明对采集到的数据采用多尺度BP神经网络的方法对输入量降维,首先利用离散正交小波变换,对每个传感器采集到的时间序列进行多尺度分解,再对每一时间尺上的小波系数进行BP神经网络故障诊断,通过对不同传感器在每一时间尺度上的故障及工况进行编码,实现输入数据的压缩简化,该方法可有效判断哪个时间尺度上有重要的事件发生,以便及时发现故障及设备的特殊工况;
3、本发明对经过多尺度BP神经网络处理后的数据,利用三层自组织特征映射网络(SOM)方法进行数据融合,实现汽车安全气囊装配工序的故障诊断,通过小波函数构成自组织特征映射网络(SOM)的领域函数,形成次兴奋神经元进行权值更新,避免自组织特征映射网络(SOM)的局部最优,有效地提高了汽车安全气囊布袋装配工序故障诊断的准确率;
4、本发明的故障诊断结果通过液晶显示模块进行显示以及通过报警电路报警的方式输出,提供了更为方便的判定结果浏览模式,具有实用性;
5、本发明计算机处理子系统通过RS232与上位机通信,将故障数据样本传输至上位机数据库,可根据安全气囊装配工序的需要实时进行小波自组织特征映射网络的训练更新,使得故障诊断系统具有鲁棒性,提高了故障诊断的准确率,有效抑制了虚警以及漏警情况的发生,使故障诊断的结果更加合理,更具有实用性;
6、本发明无需建立故障诊断的数学模型就能够通过无师自动学习的方式对输入信号进行分析,计算简单,精度高,抗噪声能力强,为其它诸如此类的复杂非线性动态系统的故障诊断提供了一个很有实用价值的方法。
附图说明
图1是本发明汽车安全气囊装配工序的故障诊断系统的结构框图。
图2是本发明汽车安全气囊装配工序的故障诊断方法的原理图。
图3是本发明汽车安全气囊装配工序的故障诊断方法的流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。
如图1所示,本发明汽车安全气囊装配工序的故障诊断系统包括现场信息采集装置、信号调理电路、计算机处理子系统、故障输出单元和上位机;所述现场信息采集装置包括压力传感器(采用深圳市现代豪方仪器仪表科技有限公司的HBMC9B力传感器)、左卷袋电机光栅尺传感器和右卷袋电机光栅尺传感器(采用长春七海光电技术有限公司的QH-600光栅线位移传感器)、左卷袋电机速度传感器和右卷袋电机速度传感器(采用中国科学院长春光学精密机械与物理研究所的E1036小型矩阵式光电编码器);所述计算机处理子系统包括DSP中央处理器(采用TI公司的TMS320F2812)、电源电路、晶振和复位电路;所述故障输出单元包括液晶显示模块、报警电路和RS232。现场信息采集装置采集到的数据信息通过信号调理电路与计算机处理子系统相连,实现数据的传送。
光栅尺传感器用于测量布袋卷动机构的直线位移,速度传感器用于测量布袋卷动机构中两个电机的转速,压力传感器用于测量布袋的张紧力,以保证卷袋平衡。DSP中央处理器作为计算机处理子系统的核心,主要对采集到的数据首先采用多尺度BP神经网络的方法进行数据压缩处理,然后利用自组织特征映射网络(SOM),实现汽车安全气囊装配工序的故障诊断分析,通过小波函数构造自组织特征映射网络的领域函数,形成次兴奋神经元进行权值更新,避免自组织特征映射网络的局部最优;电源电路用于提供计算机处理子系统所需的标准电源,晶振用于提供计算机处理子系统的工作频率,复位电路用于实现计算机处理子系统的复位操作;故障诊断结果采用液晶显示模块显示,报警电路实现故障的报警提示,RS232用于DSP中央处理器与上位机的数据通信,将故障数据样本传输至上位机数据库,实时进行小波自组织特征映射网络的训练更新,同时利用上位机可对系统进行实时故障分析。
如图2和图3所示,本发明的汽车安全气囊装配工序的故障诊断方法利用计算机处理子系统首先采用多尺度BP神经网络分析的方法进行输入数据压缩,然后通过基于小波邻函数的三层自组织特征映射网络(SOM)实现汽车安全气囊装配工序的故障诊断。
本发明采用多尺度BP神经网络分析的方法,可有效判断哪个尺度上有重要事件发生,以便及时发现故障及生产中的特殊工况、设备的异常操作并及时预报,有效减少了虚警、漏警情况的发生。
自组织特征映射网络(SOM)工作时,若某个神经元的初始权值向量太远,以至于在竞争中无法获胜,最后形成死神经元,为避免这种情况发生,本发明采用小波函数实现获胜单元相邻区域的确定,利用小波函数良好的局部化性质,通过伸缩平移运算对相邻区域逐步进行多尺度细化,随迭代次数自动适应聚类分析的要求,解决死神经元的问题,避免了局部最优。
本发明首先基于多尺度BP神经网络分析进行输入数据压缩处理,然后利用汽车安全气囊装配工序中已有的经验知识,构建并训练基于小波邻函数的三层自组织神经网络(SOM)汽车安全气囊装配工序多传感器故障诊断方法,详细过程如下:
1、基于多尺度BP神经网络的输入数据压缩
(1)输入为现场信息采集装置中的传感器采集来的对气囊生产线装配工位故障影响较大的五个传感器信息数据,设输入向量为X={x1,x2,x3,x4,x5},其中,x1、x2为装配工序左侧和右侧光栅尺传感器检测信号,x3、x4为左侧和右侧卷袋电机的速度传感器检测信号,x5为压力传感器检测信号。
预先采样五个传感器各自18个输出数据序列,设第m个传感器在i时刻的采样值为xmi,设定移动窗长为18,经对称添加形成的浮动数据窗数据为xm=[xmi-17,xmi-16,...,xmi-1,xmi,xmi,xmi-1,...,xmi-16,xmi-17],m对应装配工位的五个传感器数据,m=1,2,…,5。这种方法的优点是不需要提高采样频率,同时也不会产生滞后,还可避免边界效应对小波滤波结果产生影响。
(2)对每个传感器输出序列利用离散正交小波变换haar对每个传感器采集的数据序列进行4层小波分解,得到近似尺度系数序列和小波系数序列Cm4、Wm1、Wm2、Wm3和Wm4。
(3)对每个时间尺度上求得的小波系数作为多尺度BP神经网络模型的输入,五个传感器尺度1的系数W11、W21、…、W51作为BP神经网络1的输入,尺度2的系数W12、W22、…、W52作为BP神经网络2的输入,以此类推,C14(t)、C24(t)、…、C54(t)作为BP神经网络5的输入;经多尺度BP神经网络计算之后,输出为不同尺度下传感器数据变化情况,分为快变、慢变、正常、故障四种,分别采用两位二进制数进行编码,即快变=01、慢变=10、正常=11、故障=00。设输出向量为Z={z1,z2,…,zn},z1,z2对应BP神经网络1输出的两位二进制编码,以此类推,z9,z10对应BP神经网络5输出的两位二进制编码。
(4)多尺度BP神经网络输出的不同尺度下相应的二进制编码作为小波邻函数自组织神经网络故障诊断模型的输入,通过基于小波邻函数的自组织神经网络(SOM)方法进行故障诊断。
自组织特征映射网络(SOM)分输入层、竞争层和输出层。输入层n=10,对应{z1,z2,…,zn};设输出向量为五种故障状态,包括左卷袋电机不动作、右卷袋电机不动作、气袋卷袋不均匀、举升架不工作、未知故障五种,因此竞争层神经元个数b选择b=n×6的输出网格,输出层神经元个数l与故障类别相同,故l=5;网络训练过程如图2所示。根据网络训练建立好的模型,利用最小欧氏距离来寻找竞争获胜神经元,即相应的故障类型。
(5)通过液晶显示模块和报警电路输出诊断结果,同时将故障数据样本通过RS232保存至上位机中更新数据库。
(6)移动窗的位置,输入新数据,旧数据移出,保证移动窗中的18个数据个数不变,然后对称添加形成的浮动数据窗,对浮动数据窗内新的传感器数据序列进行下一次的小波分解,如此反复,实现汽车安全气囊装配工序的动态实时故障诊断。
2、基于小波邻函数的自组织神经网络故障诊断训练过程
自组织特征映射网络(SOM)分输入层、竞争层和输出层。输入向量为Z={z1,z2,…,zn},输入层n=10;z1,z2对应BP神经网络1输出的两位二进制编码,以此类推,z9,z10对应BP神经网络5输出的两位二进制编码。设输出向量为五种故障状态,包括左卷袋电机不动作、右卷袋电机不动作、气袋卷袋不均匀、举升架不工作、未知故障五种,因此竞争层神经元b选择b=n×6的输出网格,输出层神经元个数l与故障类别相同,故l=5;
(1)初始化
训练样本个数选择为800组;随机选择较小的竞争层神经元的初始网络权值;训练迭代次数选为N=3000次,初始学习率η0=0.5。
(2)从输入样本中选取一组数据作为网络的输入,进行归一化处理。
(3)利用最小欧氏距离来寻找竞争获胜神经元,定义k为竞争获胜神经元,则满足:
式中,xj为输入向量,wij为竞争层任一个神经元与输入节点连接的网络权值,i=l,2,…,b;j=1,2,…,n。n为输入向量个数,b为竞争层神经元个数。
(4)确定获胜单元的相邻区域Nc(t)
相邻区域Nc(t)的形状选取为六边形,相邻区域函数选用Morlet母小波奇函数:
将小波基函数伸缩平移后可得:
φk,j(t)=2-1/2tφ(disi(k,j)2/21/t) (2)
式中,disi(k,j)为在竞争层平面上的距离,21/t用来控制相邻区域Nc(t)的范围,k为获胜神经元,j为相邻神经元,t为当前训练次数,φk,j(t)为小波基函数。
(5)进行获胜神经元及其相邻区域兴奋神经元的权值调整
式中,t+1为下一次训练次数,η(t)为学习率,是训练次数t的函数,wij为竞争层和输入层之间的网络权值,xi(t)为训练次数t时的输入向量。
(6)进行输出层的权值调整:
wjl(t+1)=wjl(t)+ηl[yl-wjl(t)]
式中,yl为故障样本所属的类别,ηl为学习概率,wjl为竞争层和输出层之间的网络权值。
(7)选取新的输入模式,重复步骤(2)-(6),直到所有输入样本都已经完成训练。
(8)更新学习率η(t)及拓扑相邻区域Nc(t)
学习率函数如式(4)所示,满足在训练的过程中是线性递减的。
η(t)=η0×(1-t/N) (4)
其中,t为当前训练次数,N为总迭代次数,η0为学习率初值。
(9)判断训练次数t是否超过N,不满足则重复步骤(2)-(8),当满足训练结束条件后停止训练,输出聚类训练结果。
3、故障诊断过程
网络训练完成后可对未知的多传感器信息进行故障诊断,首先实时采集汽车安全气囊装配工位的多传感器数据信息,通过信号调理电路输入至计算机处理子系统作为已训练好的基于小波邻函数的三层自组织神经网络多传感器故障诊断模型的输入,计算机处理子系统首先采用多尺度BP神经网络方法进行输入数据的压缩,然后利用小波邻函数自组织神经网络的聚类性能,得到装配工序中故障的类型,通过液晶显示和故障报警方式输出诊断结果,同时将故障数据样本通过RS232保存至上位机中更新数据库。
Claims (3)
1.汽车安全气囊装配工序的故障诊断系统包括现场信息采集装置、信号调理电路、计算机处理子系统、故障输出单元和上位机;所述现场信息采集装置与信号调理电路相连,其用于采集气囊装配工序故障诊断所需的数据信息,并将采集的数据信息传送给信号调理电路;所述信号调理电路与计算机处理子系统相连,其用于将接收到的数据信息进行调理后传送给计算机处理子系统;所述计算机处理子系统与故障输出单元相连,其用于对接收到的数据信息进行处理与融合分析,并将处理与分析得到的诊断结果传送给故障输出单元;所述故障输出单元与上位机相连,其用于显示和输出故障诊断结果,并将故障诊断结果传送给上位机;所述上位机存储接收到的故障诊断结果,并对故障数据样本库进行数据更新;其特征在于,
所述现场信息采集装置包括压力传感器、左卷袋电机光栅尺传感器、右卷袋电机光栅尺传感器、左卷袋电机速度传感器和右卷袋电机速度传感器,每个传感器分别与信号调理电路相连;压力传感器用于采集布袋的张紧力数据,左卷袋电机光栅尺传感器和右卷袋电机光栅尺传感器用于采集布袋卷动机构的直线位移数据,左卷袋电机速度传感器和右卷袋电机速度传感器用于采集布袋卷动机构中两个电机的转速数据;
所述计算机处理子系统包括DSP中央处理器、电源电路、晶振和复位电路,DSP中央处理器分别与电源电路、晶振、复位电路相连,其用于对信号调理电路传来的数据首先采用多尺度BP神经网络的方法进行数据压缩处理,然后利用自组织特征映射网络实现汽车安全气囊装配工序的故障诊断分析,通过小波函数构造自组织特征映射网络的领域函数,形成次兴奋神经元进行权值更新;电源电路用于为计算机处理子系统提供所需的标准电源,晶振用于提供计算机处理子系统的工作频率,复位电路用于实现计算机处理子系统的复位操作;
所述故障输出单元包括液晶显示模块、报警电路和RS232,它们均与DSP中央处理器相连,液晶显示模块用于显示DSP中央处理器输出的故障诊断结果,报警电路用于根据故障诊断结果发出报警提示,RS232用于DSP中央处理器与上位机之间的数据通信。
2.如权利要求1所述的汽车安全气囊装配工序的故障诊断系统,其特征在于,所述DSP中央处理器为DSPTMS320F2812。
3.如权利要求1或2所述的汽车安全气囊装配工序的故障诊断系统的诊断方法,其特征在于,该方法包括如下步骤:
步骤一、将现场信息采集装置中的传感器采集来的对气囊装配工序故障影响最大的五个传感器信息数据作为汽车安全气囊装配工序的故障诊断系统的输入变量,设输入向量为X={x1,x2,x3,x4,x5},其中,x1、x2为装配工序左侧和右侧光栅尺传感器的检测信号,x3、x4为左侧和右侧卷袋电机速度传感器的检测信号,x5为压力传感器的检测信号;预先采样上述五个传感器各自的18个输出数据序列,设第m个传感器在i时刻的采样值为xmi,设定传感器检测数据的移动窗长为18,经对称添加形成的浮动数据窗数据为xmi-17,xmi-16,…,xmi-1,xmi,xmi,xmi- 1,…,xmi-16,xmi-17;
步骤二、利用哈尔小波转换对步骤一所述的每个传感器采集的输出数据序列进行4层小波分解,得到近似尺度系数序列和小波系数序列Cm4(t)、Wm1(t)、Wm2(t)、Wm3(t)和Wm4(t),m对应装配工位的五个传感器数据,m=1,2,…,5;
步骤三、将经过步骤二中每个时间尺度上求得的小波系数作为多尺度BP神经网络模型的输入,五个传感器尺度1的系数w11(t)、w21(t)、…、w51(t)作为多尺度BP神经网络1的输入,五个传感器尺度2的系数w12(t)、w22(t)、…、w52(t)作为多尺度BP神经网络2的输入,以此类推,c14(t)、c24(t)、…、c54(t)作为多尺度BP神经网络5的输入,经多尺度BP神经网络计算之后,输出为不同尺度下传感器数据变化情况,分为快变、慢变、正常、故障四种,分别采用两位二进制数进行编码,即快变=01、慢变=10、正常=11、故障=00,不同尺度下相应的二进制编码作为小波邻函数自组织神经网络故障诊断模型的输入;
步骤四、对经过步骤三所述的多尺度BP神经网络压缩的数据,采用基于小波邻函数的自组织神经网络进行故障诊断;
步骤五、通过液晶显示和故障报警方式输出经过步骤四得到的诊断结果,同时将故障诊断结果通过RS232保存至上位机中更新故障样本数据库;
步骤六、移动窗的位置,输入新数据,旧数据移出,保证18个数据不变,然后对称添加形成的浮动数据窗,对浮动数据窗内新的传感器数据序列进行下一次的小波分解,重复步骤二至步骤六,实现汽车安全气囊装配工序的动态实时故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210199420.8A CN102707713B (zh) | 2012-06-15 | 2012-06-15 | 汽车安全气囊装配工序的故障诊断系统及其诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210199420.8A CN102707713B (zh) | 2012-06-15 | 2012-06-15 | 汽车安全气囊装配工序的故障诊断系统及其诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102707713A CN102707713A (zh) | 2012-10-03 |
CN102707713B true CN102707713B (zh) | 2014-04-16 |
Family
ID=46900604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210199420.8A Expired - Fee Related CN102707713B (zh) | 2012-06-15 | 2012-06-15 | 汽车安全气囊装配工序的故障诊断系统及其诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102707713B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103389721A (zh) * | 2013-08-07 | 2013-11-13 | 长春工业大学 | 汽车安全气囊生产线折袋工序质量追溯系统 |
JP6570809B2 (ja) * | 2014-02-28 | 2019-09-04 | 三菱重工サーマルシステムズ株式会社 | 冷凍機制御装置、冷凍機、及び冷凍機の診断方法 |
CN103838233B (zh) * | 2014-03-20 | 2017-02-01 | 东风汽车公司 | 一种汽车安全气囊控制器安装纠错方法 |
CN104375500B (zh) * | 2014-11-03 | 2017-01-11 | 上海交通大学 | 汽车悬架控制臂自动装配线的状态监测与故障诊断系统 |
CN107491052B (zh) * | 2016-09-26 | 2021-02-26 | 宝沃汽车(中国)有限公司 | 一种车辆生产系统及其器件质量监测装置、方法 |
CN106628097B (zh) * | 2016-11-22 | 2018-08-28 | 南京航空航天大学 | 一种基于改进径向基神经网络的船舶设备故障诊断方法 |
CN109683565A (zh) * | 2018-12-12 | 2019-04-26 | 电子科技大学 | 一种基于多方法融合的仪器仪表故障检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101110155A (zh) * | 2007-08-27 | 2008-01-23 | 北京交通大学 | 基于数据融合模式识别的嵌入式故障智能诊断装置及方法 |
CN201051317Y (zh) * | 2007-06-26 | 2008-04-23 | 深圳市风向标科技有限公司 | 汽车安全气囊系统实训台 |
CN102063109A (zh) * | 2010-11-29 | 2011-05-18 | 株洲南车时代电气股份有限公司 | 一种基于神经网络的地铁列车故障诊断装置及其方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2525867B2 (ja) * | 1988-05-13 | 1996-08-21 | 株式会社日立製作所 | プラント分散制御システムの故障診断装置 |
JP2011098631A (ja) * | 2009-11-05 | 2011-05-19 | Keihin Corp | 電子制御装置 |
-
2012
- 2012-06-15 CN CN201210199420.8A patent/CN102707713B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201051317Y (zh) * | 2007-06-26 | 2008-04-23 | 深圳市风向标科技有限公司 | 汽车安全气囊系统实训台 |
CN101110155A (zh) * | 2007-08-27 | 2008-01-23 | 北京交通大学 | 基于数据融合模式识别的嵌入式故障智能诊断装置及方法 |
CN102063109A (zh) * | 2010-11-29 | 2011-05-18 | 株洲南车时代电气股份有限公司 | 一种基于神经网络的地铁列车故障诊断装置及其方法 |
Non-Patent Citations (2)
Title |
---|
JP平1-286694A 1989.11.17 |
JP特开2011-98631A 2011.05.19 |
Also Published As
Publication number | Publication date |
---|---|
CN102707713A (zh) | 2012-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102707713B (zh) | 汽车安全气囊装配工序的故障诊断系统及其诊断方法 | |
CN108681747B (zh) | 基于深度学习的旋转机械故障诊断与状态监测系统及方法 | |
CN108830127A (zh) | 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法 | |
CN102340811B (zh) | 无线传感器网络故障诊断方法 | |
CN111830408A (zh) | 一种基于边缘计算和深度学习的电机故障诊断系统及方法 | |
CN111967486A (zh) | 一种基于多传感器融合的复杂装备故障诊断方法 | |
CN103245881A (zh) | 一种基于潮流分布特征的配电网故障分析方法及装置 | |
CN102830250B (zh) | 一种基于空间相关性的风电场风速传感器故障诊断方法 | |
CN102282552A (zh) | 基于模式的智能控制、监测及自动化的系统、方法和计算机程序 | |
CN113339204B (zh) | 一种基于混合神经网络的风力发电机故障识别方法 | |
CN103631145B (zh) | 基于监控指标切换的多工况过程监控方法和系统 | |
CN202648860U (zh) | 测量工业过程中的过程流体的压力的压力变送器和过程变量变送器 | |
CN105487009A (zh) | 基于k均值的RBF神经网络算法的电机故障诊断方法 | |
CN100470418C (zh) | 基于盲源信号分析的聚丙烯熔融指数软测量仪表及方法 | |
CN114689980A (zh) | 一种充电机异常事故报警装置 | |
CN104536970A (zh) | 遥信数据设备故障判断与分类系统及方法 | |
CN115481666A (zh) | 一种齿轮箱小样本故障诊断方法、系统及设备 | |
CN201035376Y (zh) | 工业生产过程小样本条件下的故障诊断装置 | |
CN117909860A (zh) | 一种采棉机及其采棉头堵塞故障诊断预警装置和方法 | |
CN207516518U (zh) | 一种锂动力电池系统故障诊断装置 | |
CN114137915B (zh) | 一种工业设备的故障诊断方法 | |
CN115684908A (zh) | 用于电力gis设备的状态监测方法、存储介质及电子装置 | |
Sung et al. | Enhance the efficient of WSN data fusion by neural networks training process | |
CN115034307A (zh) | 多参量自适应融合的振动数据自确认方法、系统及终端 | |
Yang et al. | Fault diagnosis of industrial robot gearbox using joint interclass and intraclass mappings |
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: 20140416 Termination date: 20150615 |
|
EXPY | Termination of patent right or utility model |