CN104697765B - 汽车空调故障检测系统及方法 - Google Patents

Abstract

本发明涉及一种汽车空调故障检测系统及方法，属于汽车检测领域，该系统包括：采集汽车空调内部各接头的参数数据的信号采集单元，处理器和车载显示器，处理器采用粒子群优化相关向量机模型对参数数据进行处理分析。本发明中应用振动传感器和风量传感器组成的信号采集单元实时对汽车空调内部的接头进行运行状态监测发出警示信号，及时提醒驾驶人员对空调进行检查维修，避免空调的进一步损坏。同时本发明中的处理器使用粒子群优化相关向量机模型对待测数据进行分析处理，利用模型处理数据，进行数据对比和分析，增大了检测结果的准确率，减小了误报警情况的发生，解决了现有技术中汽车空调泄漏不能及时发现的问题。

Description

汽车空调故障检测系统及方法

技术领域

本发明涉及汽车检测领域，特别涉及一种汽车空调故障检测系统及方法。

背景技术

汽车空调安装在行驶的车辆上，承受着剧烈频繁的振动和冲击，因此空调接头易松动并泄漏，不仅影响空调的制冷效果，还会增加能耗，严重的会损坏制冷系统的压缩机等部件，若不及时维修，会造成空调的进一步损坏，加大后期的维修费用。现有的汽车空调出现泄漏故障时，使用人员不容易察觉，而且需要专业人士对空调进行检查和检修后才能发现故障问题，并对故障进行排除，这样机影响到空调的使用。

发明内容

为了解决现有技术中汽车空调泄漏不能及时发现的问题，本发明提供一种汽车空调故障检测系统及方法。

本发明的技术方案是：一种汽车空调故障检测系统，该系统包括：

信号采集单元，采集汽车空调内部各接头的参数数据；

处理器，连接信号采集单元，并接收信号采集单元发送的参数数据；

车载显示器，是位于汽车内部的显示器，连接处理器，显示处理器发送的检测结果。

所述的信号采集单元包括用于检测汽车空调内部各接口部位的振动信号参数的振动传感器和用于检测汽车空调内部接头周围的环形风量传感器。

所述的处理器采用粒子群优化相关向量机模型对参数数据进行处理分析。所述处理器中设有数据库，数据库保存信号采集单元采集的实时数据和历史数据。所述数据库中还保存有车载显示器的显示数据结果。

一种汽车空调故障检测方法，该方法步骤包括：

步骤一、建立汽车空调参数数据库，并进行数据预处理；

步骤二、建立RVM模型，利用粒子群算法优化训练相关向量机模型参数；

步骤三、采用相关向量机模型对待测数据进行诊断分析；

步骤四、输出诊断结果；

步骤五、诊断结果和对应参数数据存入数据库。

所述步骤一中的汽车空调参数数据库是由汽车空调出厂参数数据和检测数据组成。

所述步骤二中的粒子群算法步骤为：

A.初始化粒子群: 确定粒子群的规模，初始位置和速度，根据约束条件对每个粒子初始化拉格朗日因子a 的值；

B.计算每一个粒子的目标函数值，即所要优化函数的值；

C.更新每一个粒子a 的位置局部最优值Pbest和全局最优值Gbest；

D.更新每一个粒子a的飞行速度和位置；

E.判断数据是否达到RVM模型标准，达到标准跳出循环，并计算相关系数，否则返回的步骤B ，直到满足迭代的次数；

F.返回最优a 的值，并将最优化的参数传递给RVM 模型。

所述步骤三中的待测数据是指监测汽车空调状态的振动传感器和风量传感器检测检测到的参数数据。

本发明有如下积极效果：本发明中应用了振动传感器和风量传感器组成的信号采集单元实时对汽车空调内部的接头进行运行状态监测，一旦接头因为松动振动频率就会改变同时制冷剂泄漏形成气流，处理器根据风量传感器和振动传感器检测到的数据就会发出警示信号，及时提醒驾驶人员对空调进行检查维修，避免空调的进一步损坏。同时本发明中的处理器使用粒子群优化相关向量机模型对待测数据进行分析处理，利用模型处理数据，进行数据对比和分析，增大了检测结果的准确率，减小了误报警情况的发生，方便了工作人员的查看和维修。

附图说明

图1 是本发明中汽车空调故障检测系统的工作框图；

图2 是本发明中汽车空调故障检测方法的工作流程图；

图3 是本发明中粒子群优化相关向量机模型的工作流程图；

图4 是本发明中汽车空调故障检测方法的工作结构图。

具体实施方式

下面对照附图，通过对实施例的描述，本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等，作进一步详细的说明，以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。

一种汽车空调故障检测系统，如图1所示，该系统包括：信号采集单元、处理器和显示器，处理器连接信号采集单元和显示器。

信号采集单元，用于采集汽车空调内部各接头的参数数据。信号采集单元中包括振动传感器和风量传感器，振动传感器用于检测汽车空调内部各接口部位的振动信号参数，风量传感器用于检测汽车空调内部接头周围是否有气流，风量传感器采用环形风量传感器绕接头一周检测更准确。振动传感器可以检测到汽车空调的振动情况，当接头松动时，接头振动变快，传感器检测数据发生突变，此外，接头送到漏气时，制冷剂会泄漏形成气流，风量传感器就会检测到风量变化。

处理器，连接信号采集单元并接收信号采集单元发送的参数数据，接收数据后利用粒子群优化相关向量机模型对检测到的参数数据进行处理分析，利用粒子群优化相关向量机模型处理数据，进行数据对比和分析，增大了检测结果的准确率，减小了误报警情况的发生，方便了工作人员的查看和维修。

显示器，是汽车内部的车载显示器，连接处理器，显示处理器发送的检测结果，汽车空调发生故障时，及时提醒驾驶人员对空调进行检查维修，避免了空调的进一步损坏。

一种汽车空调故障检测方法，如图2所示，该方法步骤包括：

S01步骤一、建立汽车空调参数数据库，并进行数据预处理。

汽车空调参数数据库是汽车空调出厂参数数据，同时包括了系统中的信号采集单元采集检测的正常状态下的数据，为下面的粒子群优化相关向量机模型的机器训练提供数据。

数据预处理是对数据进行归一化处理，归一化可以加快训练网络的收敛性， 归一化的具体作用是归纳统一样本的统计分布性。无论是为了建模还是为了计算，首先基本度量单位要同一，遗传算法是以样本在事件中的统计分别几率来进行训练和预测的，归一化是同一在0-1之间的统计概率分布；RVM是以降维后线性划分距离来分类和仿真的，因此时空降维归一化是统一在-1--+1之间的统计坐标分布。

S02步骤二、建立RVM模型，利用粒子群算法优化训练相关向量机（简称RVM）模型参数。

建立RVM（relevance vector machine，即相关向量机）模型首先选择合适的函数，并对其超参数进行粒子群优化训练，建立合适的RVM模型，利用粒子群算法优化训练RVM模型参数，让模型更容易收敛，运算速度更快。建立RVM模型时，先利用样本数据库进行粒子群算法优化训练成功建立模型，样本数据库的建立是在汽车空调出厂时保存和正常状态时检测保存的。

核函数的选择时常用的RVM核函数有4 种:

线性核函数:

K( x，z) = x·z (1)

多项式核函数:

K( x，z) = [ s( x·z) + c] q (2)

高斯径向基( RBF) 核函数:

K( x，z ) = exp( － λ ‖x － z‖2 ) (3)

Sigmoid 核函数:

K (x，z) = tanh［s( x·z) + c］ (4)

选择合适的核函数是该方法能成功使用的关键，通过测试验证训练，比较各自泛化性能,本文选择RBF 核函数作为故障诊断的RVM模型。

粒子群优化算法( particle swarm optimization，PSO) ，是由Kennedy 和Eberhart 于1995 年首次提出的一种基于迭代的寻优算法［8］。该算法是对鸟群社会行为的模拟，PSO 算法和遗传算法类似，是一种基于群体( population) 的优化算法，每个粒子通过和其他粒子进行信息交互，调整自己的进化方向，以及避免陷入局部最优；同时，PSO算法采用不同于遗传算法的随机搜索策略，操作起来要比遗传算法简便得多，因此在解决某些优化问题时显示出更卓越的性能。

本文利用粒子群优化算法优化相关向量机中的拉格朗日乘子，通过利用粒子群算法（particle swarm optimization ,PSO）寻找拉格朗日乘子这个向量满足RVM中约束条件的各个分量的最优值，使得两分类之间的间隔距离最大，从而构造出最优超平面。初始化粒子群时，应不断判断直到各粒子随机的初始值满足所优化的相关向量机中的约束条件。每个粒子a的每个分量通过自身学习和向其他粒子学习，不断更新自身速度和位置，达到全局最优。

粒子群算法的步骤为：

A.初始化粒子群: 确定粒子群的规模，初始位置和速度，根据约束条件对每个粒子初始化拉格朗日因子a 的值；

B.计算每一个粒子的目标函数值，即所要优化函数的值；

C.更新每一个粒子a 的位置局部最优值Pbest和全局最优值Gbest；

D.更新每一个粒子a的飞行速度和位置；

E.判断数据是否达到RVM模型标准，达到标准跳出循环，并计算相关系数，否则返回的步骤B，直到满足迭代的次数；

F.返回最优a 的值，并将最优化的参数传递给ＲVM 模型。

经过超参数优化训练后得到的RVM模型，即可用于数据的分类和处理。PSO 对RVM算法的参数优化过程如图3所示。

RVM算法中超参数的选择对RVM 算法的分类准确率起着决定性的作用，以往常用的参数寻优方法多采用人为列举寻优、交叉验证等方式设置参数，但是此类方法所需时间过长，同时还存在容易陷入局部最优的问题。粒子群算法是一种高效的全局寻优算法，可用于机器学习算法的参数优化设置。本文采用PSO 算法优化RVM算法的超参数设置，从而建立故障检测的机器模型。

S03步骤三、采用相关向量机模型对待测数据进行诊断分析。模型分析待测数据前先对模型进行机器训练，即利用步骤一中建立的数据库对粒子群优化的相关向量机模型进行机器训练，在正常稳定状态的数据下，可以保证故障模式的区分和模型的正常使用。机器训练后，模型才会对待测数据进行诊断分析，待测数据是指监测汽车空调各接头状态的振动传感器和风量传感器检测检测到的参数数据。振动传感器用于检测汽车空调内部各接口部位的振动信号参数，环形风量传感器用于检测汽车空调内部接头周围是否有气流，采用环形风量传感器绕接头一周检测更准确。振动传感器可以检测到汽车空调的振动情况，当接头松动时，接头振动变快，传感器检测数据发生突变，此外，接头送到漏气时，制冷剂会泄漏形成气流，风量传感器就会检测到风量变化。模型一旦对比接收到的检测数据大于系统设定阈值，处理器就会发出警示信号。

S04步骤四、输出诊断结果。当振动传感器检测的数据振动数据异常时，说明接头振动异常，有可能接头松动，处理器接收到异常的振动数据就会发出警示信号到车载显示器。此外，当接头松动或者空调内部漏气时，就会形成气流，风量传感器检测到的数据就会出现异常，处理器根据风量传感器的异常也会发出警示信号到车载显示器提醒驾驶人员及时检查汽车空调或请专业人士进行查看，避免汽车空调进一步的损坏。

S05步骤五、诊断结果和参数数据存入数据库。大多时候汽车空调是处于正常运行状态，但是随着汽车使用年限的增长，系统功能均有所降低，系统设定的阈值也应该随之更新。所以，当诊断结果是正常状态没有故障时，对应的传感器数据就会保存在数据库中，故障状态下的参数数据和结果也会存入数据库中，方便调用和数据对比，达到已知更新数据库的目的，系统检测准确度更高，检测系统更加实用。

上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。

Claims (7)

1.一种汽车空调故障检测系统，其特征在于，该系统包括：信号采集单元，采集汽车空调内部各接头的参数数据；处理器，连接信号采集单元，并接收信号采集单元发送的参数数据；车载显示器，是位于汽车内部的显示器，连接处理器，显示处理器发送的检测结果；所述的信号采集单元包括用于检测汽车空调内部各接口部位的振动信号参数的振动传感器和用于检测汽车空调内部接头周围的环形风量传感器；所述的处理器采用粒子群优化相关向量机模型对参数数据进行处理分析。

2.根据权利要求1所述的汽车空调故障检测系统，其特征在于，所述处理器中设有数据库，数据库保存信号采集单元采集的实时数据和历史数据。

3.根据权利要求1所述的汽车空调故障检测系统，其特征在于，所述数据库中还保存有车载显示器的显示数据结果。

4.一种汽车空调故障检测方法，其特征在于，该方法步骤包括：步骤一、建立汽车空调参数数据库，并进行数据预处理；步骤二、建立RVM模型，利用粒子群算法优化训练相关向量机模型参数；步骤三、采用相关向量机模型对待测数据进行诊断分析；步骤四、输出诊断结果；步骤五、诊断结果和对应参数数据存入数据库。

5.根据权利要求4所述的汽车空调故障检测方法，其特征在于，所述步骤一中的汽车空调参数数据库是由汽车空调出厂参数数据和检测数据组成。

6.根据权利要求4所述的汽车空调故障检测方法，其特征在于，所述步骤二中的粒子群算法步骤为：

初始化粒子群:确定粒子群的规模，初始位置和速度，根据约束条件对每个粒子初始化拉格朗日因子a的值；计算每一个粒子的目标函数值，即所要优化函数的值；更新每一个粒子a的位置局部最优值Pbest和全局最优值Gbest；更新每一个粒子a的飞行速度和位置；判断数据是否达到RVM模型标准，达到标准跳出循环，并计算相关系数，否则返回的步骤B，直到满足迭代的次数；返回最优a的值，并将最优化的参数传递给RVM模型。

7.根据权利要求4所述的汽车空调故障检测方法，其特征在于，所述步骤三中的待测数据是指监测汽车空调状态的振动传感器和风量传感器检测检测到的参数数据。