CN104898641B - 一种车辆故障检测方法和装置 - Google Patents

一种车辆故障检测方法和装置 Download PDF

Info

Publication number
CN104898641B
CN104898641B CN201510202972.3A CN201510202972A CN104898641B CN 104898641 B CN104898641 B CN 104898641B CN 201510202972 A CN201510202972 A CN 201510202972A CN 104898641 B CN104898641 B CN 104898641B
Authority
CN
China
Prior art keywords
msub
failure
phenomenon
mrow
layer
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.)
Active
Application number
CN201510202972.3A
Other languages
English (en)
Other versions
CN104898641A (zh
Inventor
纪政
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Neusoft Corp
Original Assignee
Neusoft Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Neusoft Corp filed Critical Neusoft Corp
Priority to CN201510202972.3A priority Critical patent/CN104898641B/zh
Publication of CN104898641A publication Critical patent/CN104898641A/zh
Application granted granted Critical
Publication of CN104898641B publication Critical patent/CN104898641B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种车辆故障检测方法，其包括：采集车辆在不同故障类别下的故障现象数据；根据故障规则知识库赋予所述故障现象数据相应的权重值；根据赋予权重值后的所述故障现象数据生成车辆故障检测模型的输入向量，所述输入向量的维数与所述故障规则知识库内的故障类别数量相同；将所述输入向量输入到所述车辆故障检测模型；所述车辆故障检测模型分析处理所述输入向量，得到导致所述故障现象数据的故障原因。该检测方法提高了车辆使用的可靠性，经济性和安全性，同时也会减少维修人员的盲目维修产生的费用。本发明还提供了一种车辆故障检测装置。

Description

一种车辆故障检测方法和装置
本申请要求于2015年04月20日提交中国专利局、申请号为201510189349.9、发明名称为“一种车辆故障检测方法和装置”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本发明涉及车辆技术领域，尤其涉及一种车辆故障检测方法和装置。
背景技术
车辆是一个复杂的机械系统，它由数千种零部件构成。在车辆不解体的情况下，如果用户根据车辆的一些异常现象就能准确地对车辆的当前故障原因作出判断，这无疑提高车辆使用的可靠性、经济性和安全性，同时也会减少盲目维修产生的费用。
由于发动机是车辆的动力源，是车辆的心脏。如果在发动机不解体的情况下，用户根据发动机的一些异常现象就能准确地对发动机的当前故障原因作出判断，例如，当发动机出现转动但不着火的现象时，用户能够分析出导致产生这个现象的原因是发动机内有烧结物。这无疑会提高车辆使用的可靠性，经济性和安全性，同时也会减少盲目维修产生的费用。
发明内容
有鉴于此，本发明的第一方面提供了一种车辆故障检测方法，以根据车辆出现的故障现象检测到导致该故障现象的故障原因。
基于本发明的第一方面，本发明的第二方面提供了一种车辆故障检测装置。
为了达到上述发明目的，本发明采用了如下技术方案：
一种车辆故障检测方法，所述检测方法包括：
采集车辆在不同故障类别下的故障现象数据；
根据故障规则知识库赋予所述故障现象数据相应的权重值；所述故障规则知识库内包括多种类别的故障，每一类别的故障包括至少一个故障现象，每一故障现象对应不同的权重值；
根据赋予权重值后的所述故障现象数据生成车辆故障检测模型的输入向量，所述输入向量的维数与所述故障规则知识库内的故障类别数量相同；
将所述输入向量输入到所述车辆故障检测模型；
所述车辆故障检测模型分析处理所述输入向量，得到导致所述故障现象数据的故障原因。
可选地，所述故障规则知识库包括故障原因现象规则，每条所述故障原因现象规则包括不同故障类别下的故障现象数据和与该故障现象数据对应的故障原因，所述车辆故障检测模型通过对故障规则知识库内的至少一条所述故障原因现象规则进行训练得到。
可选地，所述故障规则知识库包括故障类别现象表、故障原因表和故障规则表；
所述故障类别现象表包括第一变量、故障类别、故障现象以及每一故障现象对应的权重值，每一故障类别对应一个第一变量，每一故障类别包括至少一个故障现象；
所述故障原因表包括第二变量和故障原因，每一所述第二变量对应一个故障原因；
所述故障规则表包括至少一条故障原因现象规则，每条故障原因现象规则包括相互对应的第一变量和第二变量，其中，所述第一变量的数值为故障类别下的故障现象对应的权重值。
可选地，所述车辆故障检测模型为BP神经网络识别模型，所述BP神经网络识别模型包括输入层、隐藏层和输出层。
可选地，将一条故障原因现象规则中的故障类别下的故障现象数据x1,x2,x3,...,xn组成所述BP神经网络的输入向量X，其中，X＝[x1,x2,x3,...,xn]T，n为故障类别的数量，并且n为正整数；
将该条故障原因现象规则中的故障原因y1,y2,y3,...,ym组成所述BP神经网络的期望输出向量Y，其中，Y＝[y1,y2,y3,...,ym]T，m为故障原因的数量，并且m为正整数；
所述对故障规则知识库内的至少一条所述故障原因现象规则进行训练，具体包括：
I、根据所述输入向量X和所述期望输出向量Y确定BP神经网络识别模型输入层节点数n、隐藏层节点数l、输出层节点数m；初始化输入层与隐藏层的连接权值αij、隐藏层与输出层的连接权值βjk，初始化隐藏层各神经元的阈值aj,j∈{1,2,...,l}，输出层各神经元阈值bk,k∈{1,2,...,m}，自动筛选学习率η，神经元激励函数Sigmond函数1≤i≤n,1≤j≤l,1≤k≤m；
II、根据所述输入向量X、输入层与隐藏层间的连接权值αij及隐藏层阈值aj，获取隐藏层输出hj；
其中，j∈{1,2,...,l}；其中，f(x)为隐藏层激励函数；
III、根据隐藏层输出hj，隐藏层与输出层的连接权值βjk和输出层各神经元阈值bk，获取BP神经网络识别模型的预测输出ok；
k∈{1,2,...,m}；
IV、根据BP神经网络识别模型的的预测输出ok和期望输出yk，计算BP神经网络识别模型的误差ek,ek＝ok-yk,k∈{1,2,...,m}；
V、根据BP神经网络识别模型的误差ek更新输入层与隐藏层的连接权值αij和隐藏层与输出层的连接权值βjk，根据BP神经网络识别模型的误差ek更新隐藏层各神经元的阈值aj和输出层各神经元阈值bk；
i∈{1,2,...,n},j∈{1,2,...,l}；
βjk←βjk+ηhjek,j∈{1,2,...,l}；
j∈{1,2,...,l}；
bk←bk+ek,k∈{1,2,...,m}；
VI、当BP神经网络识别模型的误差和E不小于预设阈值或者当当前训练次数未超过预设次数时，返回执行所述II。
相应地，本发明还提供了一种车辆故障检测装置，所述检测装置包括：
采集单元，用于采集车辆在不同故障类别下的故障现象数据；
权重值赋予单元，用于根据故障规则知识库赋予所述故障现象数据相应的权重值；所述故障规则知识库内包括多种类别的故障，每一类别的故障包括至少一个故障现象，每一故障现象对应不同的权重值；
向量生成单元，用于根据赋予权重值后的所述故障现象数据生成车辆故障检测模型的输入向量，所述输入向量的维数与所述故障规则知识库内的故障类别数量相同；
输入单元，用于将所述输入向量输入到所述车辆故障检测模型；
分析处理单元，用于分析处理所述输入向量，得到导致所述故障现象数据的故障原因。
可选地，所述故障规则知识库包括故障原因现象规则，每条所述故障原因现象规则包括不同故障类别下的故障现象数据和与该故障现象数据对应的故障原因，所述车辆故障检测模型通过对故障规则知识库内的至少一条所述故障原因现象规则进行训练得到。
可选地，所述故障规则知识库包括故障类别现象表、故障原因表和故障规则表；
所述故障类别现象表包括第一变量、故障类别、故障现象以及每一故障现象对应的权重值，每一故障类别对应一个第一变量，每一故障类别包括至少一个故障现象；
所述故障原因表包括第二变量和故障原因，每一所述第二变量对应一个故障原因；
所述故障规则表包括至少一条故障原因现象规则，每条所述故障原因现象规则包括相互对应的第一变量和第二变量，其中，所述第一变量的数值为故障类别下的故障现象对应的权重值。
可选地，所述车辆故障检测模型为BP神经网络识别模型，所述BP神经网络识别模型包括输入层、隐藏层和输出层。
可选地，还包括训练单元，所述训练单元包括：
初始化单元，用于根据输入向量X和期望输出向量Y确定BP神经网络识别模型输入层节点数n、隐藏层节点数l、输出层节点数m；初始化输入层与隐藏层的连接权值αij、隐藏层与输出层的连接权值βjk，初始化隐藏层各神经元的阈值aj,j∈{1,2,...,l}，输出层各神经元阈值bk,k∈{1,2,...,m}，自动筛选学习率η，神经元激励函数Sigmond函数1≤i≤n,1≤j≤l,1≤k≤m；其中，所述输入向量X由一条故障原因现象规则中的故障类别下的故障现象数据x1,x2,x3,...,xn组成，n为故障类别的数量，并且n为正整数；所述期望输出向量Y由该条故障原因现象规则中的故障原因y1,y2,y3,...,ym组成；
隐藏层输出获取单元，用于根据所述输入向量X、输入层与隐藏层间的连接权值αij及隐藏层阈值aj，获取隐藏层输出hj；
其中，j∈{1,2,...,l}；其中，f(x)为隐藏层激励函数；
预测输出获取单元，用于根据隐藏层输出hj，隐藏层与输出层的连接权值βjk和输出层各神经元阈值bk，获取BP神经网络识别模型的预测输出ok；
k∈{1,2,...,m}；
误差计算单元，用于根据BP神经网络识别模型的的预测输出ok和期望输出yk，计算BP神经网络识别模型的误差ek,ek＝ok-yk,k∈{1,2,...,m}；
第一更新单元，用于根据BP神经网络识别模型的误差ek更新输入层与隐藏层的连接权值αij和隐藏层与输出层的连接权值βjk，
i∈{1,2,...,n},j∈{1,2,...,l}；
βjk←βjk+ηhjek,j∈{1,2,...,l}；
第二更新单元，用于根据BP神经网络识别模型的误差ek更新隐藏层各神经元的阈值aj和输出层各神经元阈值bk，
j∈{1,2,...,l}；
bk←bk+ek，k∈{1,2,...,m}；
返回单元，用于当BP神经网络识别模型的误差和E不小于预设阈值或者当当前训练次数未超过预设次数时，返回执行所述BP神经网络识别模型的预测输出获取单元的操作。
相较于现有技术，本发明具有以下有益效果：
本发明提供的车辆故障检测方法中，通过车辆故障检测模型检测车辆的故障原因。具体地，用户采集车辆在不同故障类别下的故障现象数据并赋予不同的权重值，赋予权重值后的故障现象数据生成车辆故障检测模型的输入向量，将该输入向量输入到车辆故障检测模型，最后由车辆故障检测模型分析得出导致故障现象数据的故障原因。因此，通过本发明提供的车辆故障检测方法，用户可以将采集的故障现象数据输入到车辆故障模型中，通过车辆故障模型获知导致该故障现象的故障原因。
所以，通过本发明提供的车辆故障检测模型，任何一个用户根据发动机的故障现象能够较为便捷地获取导致该故障现象的故障原因。因此该检测方法提高了车辆使用的可靠性，经济性和安全性，同时也会减少维修人员的盲目维修产生的费用。
附图说明
为了较为清楚地理解本发明的技术方案，下面对描述本发明的具体实施方式时用到的附图做一简要说明。显而易见地，这些附图仅是本发明的部分实施例，本领域普通技术人员在未付出创造性劳动的前提下，还可以获得其它附图。
图1是BP神经网络的结构示意图；
图2是BP神经网络对故障规则知识库内的多条故障原因现象规则进行训练的方法流程示意图；
图3本发明实施例提供的BP神经网络识别模型的结构示意图；
图4是本发明实施例提供的车辆故障检测方法流程示意图；
图5是本发明实施例提供的采集车辆在不同故障类别下的故障现象数据的输入界面示意图；
图6是本发明实施例提供的用户根据车辆冷却水温超过100度的故障现象获取的车辆检测结果示意图；
图7是本发明实施例提供的车辆维修信息示意图；
图8是本发明实施例提供的车辆故障检测装置的结构示意图；
图9是本发明实施例提供的训练单元的结构示意图。
具体实施方式
为使本发明的目的、技术方案、有益效果更加清楚完整，下面结合附图对本发明的具体实施方式进行详细说明。
在描述本发明的具体实施方式之前，首先介绍下本发明实施例用到的故障规则知识库。
需要说明的是，本发明提供的车辆故障检测方法之所以能够检测到车辆故障原因，一个重要的前提就是本发明建立的故障规则知识库。
该故障规则知识库是根据汽车故障先验知识建模获得的，构建的故障规则知识以数据库的形式保存。在本发明提供的故障规则知识库内包括多种类别的故障，每一类别的故障包括至少一个故障现象，每一故障现象对应不同的权重值，所述权重值反映车辆在该故障类别下的故障严重程度。当在某一故障类别中没有出现故障现象时，设定权重值为0。例如，在发动机启动困难这类故障中，设置有4种故障现象：现象一、发动机不转，现象二、发动机转动但不着火，现象三、发动机能启动但立即熄火，现象四、正常启动，则这四种现象对应的权重值依次分别为1、0.8、0.3和0。
进一步地，故障规则知识库包括的多种故障类别，每一故障类别包括的故障现象以及每一现象对应的权重值可以以表格的形式存在。为了方便描述，将该表格定义为故障类别现象表。作为本发明的一个具体实施方式，如表1所示，该故障类别现象表包括第一变量、故障类别、故障现象以及每一故障现象对应的权重值。其中，第一变量的数量与故障类别的数量相同，每一故障类别对应一个第一变量，如表1所示，发动机启动困难这类故障对应第一变量x1。作为本发明的一个具体实施方式，本发明实施例将发动机故障划分为20个类别，这20个故障类别与20个第一变量x1、x2、…、x20一一对应。
表1
另外，在故障规则知识库内还包括故障原因表，如表2所示。该故障原因表包括第二变量和故障原因，每一所述第二变量对应一个故障原因，如表2所示，第二变量y1对应的故障原因是发动机内有烧结物。作为本发明的一个具体实施方式，本发明实施例共有16个引起发动机故障的原因。因此，在车辆故障检测模型的输出层共有16个第二变量。
表2
序号 第二变量 故障原因
1 y1 发动机内有烧结物
2 y2 点火时刻不对
3 y3 冷却系统故障或冷却系统严重漏水
4 y4 线路故障
5 y5 电动汽油泵故障
6 y6 喷油器故障
7 y7 火花塞故障
8 y8 节气门故障
9 y9 怠速控制阀故障
10 y10 点火系统故障
11 y11 进气系统有漏气
12 y12 润滑系统故障
13 y13 空气滤清器堵塞
14 y14 空气流量计或进气歧管绝对压力故障
15 y15 ECU故障
16 y16 燃油供给系统故障
此外，故障规则知识库内还包括故障规则表，所述故障规则表包括多条规则，每一条规则均包括相互对应的第一变量和第二变量，其中，第一变量的数值为不同故障类别下的故障现象对应的权重值。
当故障类别为20时，在每条规则中，包括20个第一变量，如果车辆在某一故障类别下没有发生故障时，则该对应的第一变量值为0。
如表3所示，每列数据表示一条规则，例如第一列，有x2＝0.7，x3＝0.7，x4＝0.7，x5＝0.7，x6＝1；y1＝1，其对应着“冷却液水温异常～90-100度，发动机油压异常～怠速时小于0.03MPa、正常时小于0.1MPa，发动机怠速异常～怠速时抖动厉害，发动机加速不良～转速不增加，有爆震～尖锐的敲击声；发动机内有烧结物”也就是说当冷却液水温在90-100度、怠速时油压小于0.03MPa且正常时小于0.1MPa、怠速时抖动厉害、发动机加速时转速不增加和发动机有尖锐的敲击声现象时，可以判定其发生的故障原因为发动机内有烧结物。
表3
需要说明的是，上述所述的以表格的形式存在的故障规则知识库内的数据只是故障规则知识库的一种具体实现形式。实际上，本发明实施例提供的故障规则知识库不限于上述形式，只要包括故障类别，每一故障类别包括的故障现象、每一故障现象对应的权重值，以及故障原因现象规则数据的数据库均可以作为本发明的故障规则知识库。其中，每条所述故障原因现象规则包括不同故障类别下的故障现象权重值和与该故障现象权重值对应的故障原因。
以上为本发明实施例提供的车辆故障检测方法得以实现的一个重要前提：故障规则知识库。作为本发明实施例提供的车辆故障检测方法得以实现的另外一个重要前提是：车辆故障检测模型。
车辆故障检测模型是通过对故障规则知识库内的多条故障原因现象规则进行训练得到的。当故障原因现象规则以故障规则表的形式存在时，车辆故障检测模型通过对故障规则表中的数据进行训练得到。
其中，故障现象数据作为车辆故障检测模型的输入，故障原因作为车辆故障检测模型的输出。在训练过程中，将故障规则知识库内的故障现象数据作为车辆故障检测模型的输入，将与故障现象数据相对的故障原因作为车辆故障检测模型的期望输出，通过多次训练，最终得到车辆故障检测模型。
作为本发明的一个具体实施例，上述所述的车辆故障检测模型可以是BP神经网络模型通过对故障规则知识库内的数据进行训练得到的BP神经网络识别模型。其中，BP神经网络是一种基于误差方向传播的多层前馈网络，是目前应用最广泛的神经网络模型之一。理论上，一个三层BP神经网络可以逼近任意连续函数，其包含输入层、隐藏层和输出层，该BP神经网络的结构示意图如图1所示。
在本发明实施例中，将任意一条故障原因现象规则中的所有故障类别下的故障现象权重值x1,x2,x3,...,xn组成所述BP神经网络模型的输入向量X，其中，X＝[x1,x2,x3,...,xn]T，n为故障类别的数量，并且n为正整数；其中，输入向量X为n维特征向量，该n维特征向量中的每一个分向量为每类故障类别对应的故障现象权重值。将这些故障类别对应的故障现象权重值按照一定的顺序排列起来就组成了n维特征向量。
将该条故障原因现象规则中的故障原因y1,y2,y3,...,ym组成所述BP神经网络模型的期望输出向量Y，其中，Y＝[y1,y2,y3,...,ym]T，m为故障原因的数量，并且m为正整数。
BP神经网络对故障规则知识库内的多条故障原因现象规则进行训练的过程如图2所示，其包括：
S201、根据所述输入向量X和所述输出向量Y确定BP神经网络识别模型输入层节点数n、隐藏层节点数l、输出层节点数m；初始化输入层与隐藏层的连接权值αij、隐藏层与输出层的连接权值βjk，初始化隐藏层各神经元的阈值aj,j∈{1,2,...,l}，输出层各神经元阈值bk,k∈{1,2,...,m}，自动筛选学习率η，神经元激励函数Sigmond函数1≤i≤n,1≤j≤l,1≤k≤m：
其中，作为本发明的一个具体实施方式，隐藏层节点数l＝3,6,9,…,其中，表示向上取整；
输入层与隐藏层的连接权值αij初始化时的取值范围为0≤αij≤1；
隐藏层与输出层的连接权值βjk初始化时的取值范围为0≤βjk≤1；
隐藏层各神经元的阈值aj初始化时的取值范围是aj＝0；
输出层各神经元阈值bk初始化时的取值范围是bk＝0；
学习率η初始化时的取值为η＝0.1；
在神经元激励函数Sigmond函数其中γ＝0.1。
S202、根据所述输入向量X、输入层与隐藏层间的连接权值αij及隐藏层各神经元阈值aj，获取隐藏层输出hj；
其中，j∈{1,2,...,l}；其中，f(x)为隐藏层激励函数；
S203、根据隐藏层输出hj，隐藏层与输出层的连接权值βjk和输出层各神经元阈值bk，获取BP神经网络识别模型的预测输出ok；
k∈{1,2,...,m}；
S204、根据BP神经网络识别模型的的预测输出ok和期望输出yk，计算BP神经网络识别模型的误差ek：
其中，BP神经网络识别模型的误差ek的计算公式如下：
ek＝ok-yk,k∈{1,2,...,m}；
S205、根据BP神经网络识别模型的误差ek更新输入层与隐藏层的连接权值αij和隐藏层与输出层的连接权值βjk，
i∈{1,2,...,n},j∈{1,2,...,l}；
βjk←βjk+ηhjek,j∈{1,2,...,l}；
S206、根据BP神经网络识别模型的误差ek更新隐藏层各神经元的阈值aj和输出层各神经元阈值bk，
j∈{1,2,...,l}；
bk←bk+ek,k∈{1,2,...,m}。
S207、判断BP神经网络识别模型的误差和E是否小于预设阈值ε或者判断当前训练次数是否超过预设次数I：
其中，BP神经网络误差和E的计算公式如下：
k∈{1,2,...,m}。
作为本发明的一个具体实施方式，所述预设阈值ε的取值范围为集合{10-i|,i＝1,2,…8}。所述预设次数I的取值范围为集合{10i|,i＝2,3,4,5}。
当BP神经网络识别模型的误差和E小于预设阈值或者当当前训练次数超过预设次数，则训练结束，并且将当前BP神经网络识别模型作为最终的车辆故障检测模型。
当BP神经网络识别模型的误差和E不小于预设阈值或者当当前训练次数未超过预设次数时，返回执行步骤S202，进行下一次训练过程。
需要说明的是，预设次数可以为BP神经网络识别模型的训练的最大次数。
图3为当前BP神经网络识别模型的结构示意图，该当前BP神经网络识别模型为最终的车辆故障检测模型。其中，不同汽车故障类别下的故障现象数据作为车辆故障检测模型的输入层，车辆故障检测模型对输入的故障现象数据进行处理分析，在车辆故障检测模型的输出层得到导致该故障现象数据的故障原因，也就是说，车辆故障检测模型的输出层为推导出的故障原因。作为本发明的一个具体实施方式，本发明实施例将车辆故障划分为20个类别，因此，在车辆故障检测模型的输入层对应一个20维的特征向量。同时，本发明实施例中共有16个引起车辆故障的原因。因此，在车辆故障检测模型的输出层共有16个第二变量。
基于上述所述的故障规则知识库和车辆故障模型，本发明提供了一种车辆故障检测方法的具体实施方式。图4是本发明实施例提供的车辆故障检测方法的流程示意图。如图4所示，该检测方法包括以下步骤：
S401、采集车辆在不同故障类别下的故障现象数据：
具体地，可以通过一个输入界面采集车辆在不同故障类别下的故障现象数据。该输入界面如图5所示。用户可以将自己觉察得到的故障现象通过该输入界面输入到车辆故障检测装置，以使车辆故障检测装置采集到车辆在不同故障类别下的故障现象数据。需要说明的是，本步骤采集的故障现象数据包括车辆运行状况正常时的现象数据。
作为本发明的一个具体实施例，可以有如下故障现象数据：发动机启动困难、冷却水温异常、发动机油压异常、发动机怠速异常、发动机加速不良、有爆震、进气温度异常、进气歧管压力异常、怠速时节气门位置异常、匀速运行时喷油脉冲宽度较短、氧传感器异常、发动机动力不足、发动机减速不良、发动机油耗过大、发动机点火不正常、发动机进气管回火、排气管放炮、发动机喘抖、发动机有时失速、发动机间歇熄火等等。
S402、根据故障规则知识库赋予所述故障现象数据对应的权重值：
根据先验知识建立的故障规则知识库中，每类故障包括不同故障程度的故障现象，不同故障程度的故障现象对应不同的权重值。
因此，本步骤可以根据故障规则知识库对上述步骤S401采集的故障现象数据赋予与其对应的权重值。也就是将采集到的的故障现象数据进数字化。
需要说明的是，当发动机在某一故障类别下的运行状况正常时，则赋予该类别的故障现象数据的权重值为0。
例如，在故障规则知识库内存在发动机启动困难这类故障，其有现象1：发动机不转、现象2：发动机转动但不着火、现象3：发动机能启动但立即熄火、现象4：正常启动，且在故障知识库中的权重依次是1、0.8、0.3、0。当步骤S401采集的故障现象之一是发动机转动但不着火，即现象2，则在该步骤S402中，对该故障现象数据赋予的权重值为0.8。
S403、根据赋予权重值后的所述故障现象数据形成车辆故障检测模型的输入向量：
假设在故障规则知识库中共有20个故障类别，则车辆故障检测模型的输入向量为20维的特征向量。
将赋予权重值后的故障现象数据按照一定顺序排列起来，形成车辆故障检测模型的输入向量X。
设定不同故障类别下的故障现象数据分别为x1、x2、x3、…、x20，则形成的输入向量X表示为[x1,x2,x3,...,x20]T。
S404、将所述输入向量输入到所述车辆故障检测模型。
S405、所述车辆故障检测模型分析处理所述输入向量，得到导致所述故障现象数据的故障原因：
需要说明的是，通过本发明实施例提供的车辆故障检测模型得到的故障原因包括一定存在的故障原因和可能存在的故障原因。
车辆故障检测模型对输入向量进行推理分析，从而得到导致故障现象数据的确定故障原因和可能故障原因。
在本发明实施例中，这些故障原因共有16个，其分别为发动机内有烧结物、点火时刻不对、冷却液水温传感器故障、线路故障、电动汽油泵故障、喷油器故障、火花塞故障、节气门故障、怠速控制阀故障、点火系统故障、进气系统有漏气、润滑系统故障、空气滤清器堵塞、空气流量计或进气歧管绝对压力传感器故障。
以上为本发明实施例提供的车辆故障检测方法的具体实施方式。通过本发明实施例提供的车辆故障检测方法，用户采集车辆在不同故障类别下的故障现象数据并赋予不同的权重值，赋予权重值后的故障现象数据生成车辆故障检测模型的输入向量，将该输入向量输入到车辆故障检测模型，最后由车辆故障检测模型分析得出导致故障现象数据的故障原因。因此，通过本发明提供的车辆故障检测方法，用户可以将采集的故障现象数据输入到车辆故障模型中，通过车辆故障模型获知导致该故障现象的故障原因。
所以，通过本发明提供的车辆故障检测模型，任何一个用户根据车辆故障现象能够较为便捷地获取导致该故障现象的故障原因。因此该检测方法提高了车辆使用的可靠性，经济性和安全性，同时也会减少维修人员的盲目维修产生的费用。
作为示例，图6示出了一位用户根据车辆冷却水温超过100度的故障现象获取的车辆检测结果。该车辆检测结果中没有一定存在的故障，其可能存在的故障包括：冷却液水温传感器故障和润滑系统故障。此外，该车辆检测结果还包括基于逻辑推理的发动机故障分析结果。因此，本发明提供的基于故障现象数据的发动机故障检测方法能够为用户提供重要的检测参考信息。
另外，本发明提供的基于故障现象数据的车辆故障检测方法还能够为车辆维修人员提供重要的车辆维修信息，作为示例，如图7所示，其为一名维修人员根据车辆冷却水温90-100度、发动机油压怠速时小于0.03MPa，正常时小于0.1MPa、怠速时抖动厉害、发动机加速时转速不增加和有尖锐的敲击声等故障现象获取的检测结果。该检测结果包括一定存在的故障、基于信号分析的发动机故障分析结果和基于逻辑推理的车辆故障分析结果。
此外，本发明提供的车辆故障检测方法可以集成到汽车故障诊断设备中作为维修人员检测汽车故障的辅助工具。此外，本发明提供的车辆故障检测方法既能够适合云计算分析，也可以适用于手机、电脑等终端设备上。
需要说明的是，上述所述的故障规则知识库可以包括车辆的不同部件的故障规则知识。利用这些不同部件的故障规则知识，可以建立不同部件的故障检测模型，从而能够对车辆的不同部件的故障进行检测。
需要着重说明的是，由于发动机是车辆的动力源，是车辆的故障，因此，上述所述的故障规则知识库可以具体为车辆发动机的故障规则知识库，利用该车辆发动机的故障规则知识库，建立车辆发动机的故障检测模型，用户根据察觉到的发动机故障现象，并利用该车辆发动机的故障检测模型，可以检测到车辆发动机的故障原因。
基于上述实施例提供的车辆故障检测方法，本发明实施例还提供了一种车辆故障检测装置。具体参见以下实施例。
图8是本发明实施例提供的车辆故障检测装置的结构示意图。如图8所示，该检测装置包括以下单元：
采集单元81，用于采集车辆在不同故障类别下的故障现象数据；
权重值赋予单元82，用于根据故障规则知识库赋予所述故障现象数据相应的权重值；所述故障规则知识库内包括多种类别的故障，每一类别的故障包括至少一个故障现象，每一故障现象对应不同的权重值；
向量生成单元83，用于根据赋予权重值后的所述故障现象数据生成车辆故障检测模型的输入向量，所述输入向量的维数与所述故障规则知识库内的故障类别数量相同；
输入单元84，用于将所述输入向量输入到所述车辆故障检测模型；
分析处理单元85，用于分析处理所述输入向量，得到导致所述故障现象数据的故障原因。
通过本发明实施例提供的车辆故障检测装置，用户将觉察到的故障现象输入到车辆故障检测装置中，检测装置通过内部处理分析，即可得到导致该故障现象的故障原因。因此，通过本发明实施例提供的车辆故障检测装置能够使得用户根据车辆的故障现象能够较为便捷地获取导致该故障现象的故障原因。因此该检测装置提高了车辆使用的可靠性，经济性和安全性，同时也会减少维修人员的盲目维修产生的费用。
进一步地，本发明实施例提供的车辆故障检测装置还可以包括训练单元，如图9所示，所述训练单元包括：
初始化单元91，用于根据输入向量X和期望输出向量Y确定BP神经网络识别模型输入层节点数n、隐藏层节点数l、输出层节点数m；初始化输入层与隐藏层的连接权值αij、隐藏层与输出层的连接权值βjk，初始化隐藏层各神经元的阈值aj,j∈{1,2,...,l}，输出层各神经元阈值bk,k∈{1,2,...,m}，自动筛选学习率η，神经元激励函数Sigmond函数1≤i≤n,1≤j≤l,1≤k≤m；其中，所述输入向量X由故障原因现象规则中的故障类别下的故障现象数据x1,x2,x3,...,xn组成，n为故障类别的数量，并且n为正整数；所述期望输出向量Y由故障原因现象规则中的故障原因y1,y2,y3,...,ym组成；
其中，作为本发明的一个具体实施方式，隐藏层节点数l＝3,6,9,…,其中，表示向上取整；
输入层与隐藏层的连接权值αij初始化时的取值范围为0≤αij≤1；
隐藏层与输出层的连接权值βjk初始化时的取值范围为0≤βjk≤1；
隐藏层各神经元的阈值aj初始化时的取值范围是aj＝0；
输出层各神经元阈值bk初始化时的取值范围是bk＝0；
学习率η初始化时的取值为η＝0.1；
在神经元激励函数Sigmond函数其中，γ＝0.1。
隐藏层输出获取单元92，用于根据所述输入向量X、输入层与隐藏层间的连接权值αij及隐藏层阈值aj，获取隐藏层输出hj；
其中，j∈{1,2,...,l}；其中，f(x)为隐藏层激励函数；
预测输出获取单元93，用于根据隐藏层输出hj，隐藏层与输出层的连接权值βjk和输出层各神经元阈值bk，获取BP神经网络识别模型的预测输出ok；
k∈{1,2,...,m}；
误差计算单元94，用于根据BP神经网络识别模型的的预测输出ok和期望输出yk，计算BP神经网络识别模型的误差ek,ek＝ok-yk,k∈{1,2,...,m}；
第一更新单元95，用于根据BP神经网络识别模型的误差ek更新输入层与隐藏层的连接权值αij和隐藏层与输出层的连接权值βjk，
i∈{1,2,...,n},j∈{1,2,...,l}；
βjk←βjk+ηhjek,j∈{1,2,...,l}；
第二更新单元96，用于根据BP神经网络识别模型的误差ek更新隐藏层各神经元的阈值aj和输出层各神经元阈值bk，
j∈{1,2,...,l}；
bk←bk+ek，k∈{1,2,...,m}；
返回单元97，用于当BP神经网络识别模型的误差和E不小于预设阈值ε或者当当前训练次数未超过预设次数I时，返回执行所述BP神经网络识别模型的预测输出获取单元的操作:
作为本发明的一个具体实施方式，所述预设阈值ε的取值范围为集合{10-i|,i＝1,2,…8}。所述预设次数I的取值范围为集合{10i|,i＝2,3,4,5}。
需要说明的是上述实施例所述的车辆故障检测装置可以集成到汽车故障诊断设备中作为修改人员检修汽车故障的辅助工具。此外，该检测装置也可以集成到手机或电脑等终端设备上，以方便用户随时随地对车辆进行故障检测。此外，本发明提供的检测装置还可以适用于云计算分析。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种车辆故障检测方法，其特征在于，所述检测方法包括：
采集车辆在不同故障类别下的故障现象数据；
根据故障规则知识库赋予所述故障现象数据相应的权重值；所述故障规则知识库内包括多种类别的故障，每一类别的故障包括至少一个故障现象，每一故障现象对应不同的权重值；
根据赋予权重值后的所述故障现象数据生成车辆故障检测模型的输入向量，所述输入向量的维数与所述故障规则知识库内的故障类别数量相同；
将所述输入向量输入到所述车辆故障检测模型；
所述车辆故障检测模型分析处理所述输入向量，得到导致所述故障现象数据的故障原因。
2.根据权利要求1所述的检测方法，其特征在于，所述故障规则知识库包括故障原因现象规则，每条所述故障原因现象规则包括不同故障类别下的故障现象数据和与该故障现象数据对应的故障原因，所述车辆故障检测模型通过对故障规则知识库内的至少一条所述故障原因现象规则进行训练得到。
3.根据权利要求2所述的检测方法，其特征在于，所述故障规则知识库包括故障类别现象表、故障原因表和故障规则表；
所述故障类别现象表包括第一变量、故障类别、故障现象以及每一故障现象对应的权重值，每一故障类别对应一个第一变量，每一故障类别包括至少一个故障现象；
所述故障原因表包括第二变量和故障原因，每一所述第二变量对应一个故障原因；
所述故障规则表包括至少一条故障原因现象规则，每条故障原因现象规则包括相互对应的第一变量和第二变量，其中，所述第一变量的数值为故障类别下的故障现象对应的权重值。
4.根据权利要求2或3所述的检测方法，其特征在于，所述车辆故障检测模型为BP神经网络识别模型，所述BP神经网络识别模型包括输入层、隐藏层和输出层。
5.根据权利要求4所述的检测方法，其特征在于，
将一条故障原因现象规则中的故障类别下的故障现象数据x1,x2,x3,...,xn组成所述BP神经网络的输入向量X，其中，X＝[x1,x2,x3,...,xn]T，n为故障类别的数量，并且n为正整数；
将该条故障原因现象规则中的故障原因y1,y2,y3,...,ym组成所述BP神经网络的期望输出向量Y，其中，Y＝[y1,y2,y3,...,ym]T，m为故障原因的数量，并且m为正整数；
所述对故障规则知识库内的至少一条所述故障原因现象规则进行训练，具体包括：
I、根据所述输入向量X和所述期望输出向量Y确定BP神经网络识别模型输入层节点数n、隐藏层节点数l、输出层节点数m；初始化输入层与隐藏层的连接权值αij、隐藏层与输出层的连接权值βjk，初始化隐藏层各神经元的阈值aj,j∈{1,2,...,l}，输出层各神经元阈值bk,k∈{1,2,...,m}，自动筛选学习率η，神经元激励函数Sigmond函数1≤i≤n,1≤j≤l,1≤k≤m；
II、根据所述输入向量X、输入层与隐藏层间的连接权值αij及隐藏层阈值aj，获取隐藏层输出hj；
其中， <mrow> <msub> <mi>h</mi> <mi>j</mi> </msub> <mo>=</mo> <mi>f</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>f</mi> <mrow> <mo>(</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>&amp;alpha;</mi> <mi>ij</mi> </msub> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>a</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>,</mo> <mi>j</mi> <mo>&amp;Element;</mo> <mo>{</mo> <mn>1,2</mn> <mo>,</mo> <mo>.</mo> <mo>.</mo> <mo>.</mo> <mo>,</mo> <mi>l</mi> <mo>}</mo> <mo>;</mo> </mrow> 其中，f(x)为隐藏层激励函数；
III、根据隐藏层输出hj，隐藏层与输出层的连接权值βjk和输出层各神经元阈值bk，获取BP神经网络识别模型的预测输出ok；
<mrow> <msub> <mi>o</mi> <mi>k</mi> </msub> <mo>=</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>l</mi> </munderover> <msub> <mi>h</mi> <mi>j</mi> </msub> <msub> <mi>&amp;beta;</mi> <mi>jk</mi> </msub> <mo>-</mo> <msub> <mi>b</mi> <mi>k</mi> </msub> <mo>,</mo> <mi>k</mi> <mo>&amp;Element;</mo> <mo>{</mo> <mn>1,2</mn> <mo>,</mo> <mo>.</mo> <mo>.</mo> <mo>.</mo> <mo>,</mo> <mi>m</mi> <mo>}</mo> <mo>;</mo> </mrow>
IV、根据BP神经网络识别模型的的预测输出ok和期望输出yk，计算BP神经网络识别模型的误差ek,ek＝ok-yk,k∈{1,2,...,m}；
V、根据BP神经网络识别模型的误差ek更新输入层与隐藏层的连接权值αij和隐藏层与输出层的连接权值βjk，根据BP神经网络识别模型的误差ek更新隐藏层各神经元的阈值aj和输出层各神经元阈值bk；
<mrow> <msub> <mi>&amp;alpha;</mi> <mi>ij</mi> </msub> <mo>&amp;LeftArrow;</mo> <msub> <mi>&amp;alpha;</mi> <mi>ij</mi> </msub> <mo>+</mo> <msub> <mi>&amp;eta;h</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>h</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <msub> <mi>x</mi> <mi>i</mi> </msub> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msub> <mi>&amp;beta;</mi> <mi>jk</mi> </msub> <msub> <mi>e</mi> <mi>k</mi> </msub> <mo>,</mo> <mi>i</mi> <mo>&amp;Element;</mo> <mo>{</mo> <mn>1,2</mn> <mo>,</mo> <mo>.</mo> <mo>.</mo> <mo>.</mo> <mo>,</mo> <mi>n</mi> <mo>}</mo> <mo>,</mo> <mi>j</mi> <mo>&amp;Element;</mo> <mo>{</mo> <mn>1,2</mn> <mo>,</mo> <mo>.</mo> <mo>.</mo> <mo>.</mo> <mo>,</mo> <mi>l</mi> <mo>}</mo> <mo>;</mo> </mrow>
βjk←βjk+ηhjek,j∈{1,2,...,l}；
<mrow> <msub> <mi>&amp;alpha;</mi> <mi>j</mi> </msub> <mo>&amp;LeftArrow;</mo> <msub> <mi>&amp;alpha;</mi> <mi>j</mi> </msub> <mo>+</mo> <msub> <mi>&amp;eta;h</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>h</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msub> <mi>&amp;beta;</mi> <mi>jk</mi> </msub> <msub> <mi>e</mi> <mi>k</mi> </msub> <mo>,</mo> <mi>j</mi> <mo>&amp;Element;</mo> <mo>{</mo> <mn>1,2</mn> <mo>,</mo> <mo>.</mo> <mo>.</mo> <mo>.</mo> <mo>,</mo> <mi>l</mi> <mo>}</mo> <mo>;</mo> </mrow>
bk←bk+ek,k∈{1,2,...,m}；
VI、当BP神经网络识别模型的误差和E不小于预设阈值或者当当前训练次数未超过预设次数时，返回执行所述II。
6.一种车辆故障检测装置，其特征在于，所述检测装置包括：
采集单元，用于采集车辆在不同故障类别下的故障现象数据；
权重值赋予单元，用于根据故障规则知识库赋予所述故障现象数据相应的权重值；所述故障规则知识库内包括多种类别的故障，每一类别的故障包括至少一个故障现象，每一故障现象对应不同的权重值；
向量生成单元，用于根据赋予权重值后的所述故障现象数据生成车辆故障检测模型的输入向量，所述输入向量的维数与所述故障规则知识库内的故障类别数量相同；
输入单元，用于将所述输入向量输入到所述车辆故障检测模型；
分析处理单元，用于分析处理所述输入向量，得到导致所述故障现象数据的故障原因。
7.根据权利要求6所述的检测装置，其特征在于，所述故障规则知识库包括故障原因现象规则，每条所述故障原因现象规则包括不同故障类别下的故障现象数据和与该故障现象数据对应的故障原因，所述车辆故障检测模型通过对故障规则知识库内的至少一条所述故障原因现象规则进行训练得到。
8.根据权利要求7所述的检测装置，其特征在于，所述故障规则知识库包括故障类别现象表、故障原因表和故障规则表；
所述故障类别现象表包括第一变量、故障类别、故障现象以及每一故障现象对应的权重值，每一故障类别对应一个第一变量，每一故障类别包括至少一个故障现象；
所述故障原因表包括第二变量和故障原因，每一所述第二变量对应一个故障原因；
所述故障规则表包括至少一条故障原因现象规则，每条所述故障原因现象规则包括相互对应的第一变量和第二变量，其中，所述第一变量的数值为故障类别下的故障现象对应的权重值。
9.根据权利要求7或8所述的检查装置，其特征在于，所述车辆故障检测模型为BP神经网络识别模型，所述BP神经网络识别模型包括输入层、隐藏层和输出层。
10.根据权利要求9所述的检测装置，其特征在于，还包括训练单元，所述训练单元包括：
初始化单元，用于根据输入向量X和期望输出向量Y确定BP神经网络识别模型输入层节点数n、隐藏层节点数l、输出层节点数m；初始化输入层与隐藏层的连接权值αij、隐藏层与输出层的连接权值βjk，初始化隐藏层各神经元的阈值aj,j∈{1,2,...,l}，输出层各神经元阈值bk,k∈{1,2,...,m}，自动筛选学习率η，神经元激励函数Sigmond函数1≤i≤n,1≤j≤l,1≤k≤m；其中，所述输入向量X由一条故障原因现象规则中的故障类别下的故障现象数据x1,x2,x3,...,xn组成，n为故障类别的数量，并且n为正整数；所述期望输出向量Y由该条故障原因现象规则中的故障原因y1,y2,y3,...,ym组成；
隐藏层输出获取单元，用于根据所述输入向量X、输入层与隐藏层间的连接权值αij及隐藏层阈值aj，获取隐藏层输出hj；
其中， <mrow> <msub> <mi>h</mi> <mi>j</mi> </msub> <mo>=</mo> <mi>f</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>f</mi> <mrow> <mo>(</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>&amp;alpha;</mi> <mi>ij</mi> </msub> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>a</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>,</mo> <mi>j</mi> <mo>&amp;Element;</mo> <mo>{</mo> <mn>1,2</mn> <mo>,</mo> <mo>.</mo> <mo>.</mo> <mo>.</mo> <mo>,</mo> <mi>l</mi> <mo>}</mo> <mo>;</mo> </mrow> 其中，f(x)为隐藏层激励函数；
预测输出获取单元，用于根据隐藏层输出hj，隐藏层与输出层的连接权值βjk和输出层各神经元阈值bk，获取BP神经网络识别模型的预测输出ok；
<mrow> <msub> <mi>o</mi> <mi>k</mi> </msub> <mo>=</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>l</mi> </munderover> <msub> <mi>h</mi> <mi>j</mi> </msub> <msub> <mi>&amp;beta;</mi> <mi>jk</mi> </msub> <mo>-</mo> <msub> <mi>b</mi> <mi>k</mi> </msub> <mo>,</mo> <mi>k</mi> <mo>&amp;Element;</mo> <mo>{</mo> <mn>1,2</mn> <mo>,</mo> <mo>.</mo> <mo>.</mo> <mo>.</mo> <mo>,</mo> <mi>m</mi> <mo>}</mo> <mo>;</mo> </mrow>
误差计算单元，用于根据BP神经网络识别模型的的预测输出ok和期望输出yk，计算BP神经网络识别模型的误差ek,ek＝ok-yk,k∈{1,2,...,m}；
第一更新单元，用于根据BP神经网络识别模型的误差ek更新输入层与隐藏层的连接权值αij和隐藏层与输出层的连接权值βjk，
<mrow> <msub> <mi>&amp;alpha;</mi> <mi>ij</mi> </msub> <mo>&amp;LeftArrow;</mo> <msub> <mi>&amp;alpha;</mi> <mi>ij</mi> </msub> <mo>+</mo> <msub> <mi>&amp;eta;h</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>h</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <msub> <mi>x</mi> <mi>i</mi> </msub> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msub> <mi>&amp;beta;</mi> <mi>jk</mi> </msub> <msub> <mi>e</mi> <mi>k</mi> </msub> <mo>,</mo> <mi>i</mi> <mo>&amp;Element;</mo> <mo>{</mo> <mn>1,2</mn> <mo>,</mo> <mo>.</mo> <mo>.</mo> <mo>.</mo> <mo>,</mo> <mi>n</mi> <mo>}</mo> <mo>,</mo> <mi>j</mi> <mo>&amp;Element;</mo> <mo>{</mo> <mn>1,2</mn> <mo>,</mo> <mo>.</mo> <mo>.</mo> <mo>.</mo> <mo>,</mo> <mi>l</mi> <mo>}</mo> <mo>;</mo> </mrow>
βjk←βjk+ηhjek,j∈{1,2,...,l}；
第二更新单元，用于根据BP神经网络识别模型的误差ek更新隐藏层各神经元的阈值aj和输出层各神经元阈值bk，
<mrow> <msub> <mi>&amp;alpha;</mi> <mi>j</mi> </msub> <mo>&amp;LeftArrow;</mo> <msub> <mi>&amp;alpha;</mi> <mi>j</mi> </msub> <mo>+</mo> <msub> <mi>&amp;eta;h</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>h</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msub> <mi>&amp;beta;</mi> <mi>jk</mi> </msub> <msub> <mi>e</mi> <mi>k</mi> </msub> <mo>,</mo> <mi>j</mi> <mo>&amp;Element;</mo> <mo>{</mo> <mn>1,2</mn> <mo>,</mo> <mo>.</mo> <mo>.</mo> <mo>.</mo> <mo>,</mo> <mi>l</mi> <mo>}</mo> <mo>;</mo> </mrow>
bk←bk+ek，k∈{1,2,...,m}；
返回单元，用于当BP神经网络识别模型的误差和E不小于预设阈值或者当当前训练次数未超过预设次数时，返回执行所述BP神经网络识别模型的预测输出获取单元的操作。
CN201510202972.3A 2015-04-20 2015-04-24 一种车辆故障检测方法和装置 Active CN104898641B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510202972.3A CN104898641B (zh) 2015-04-20 2015-04-24 一种车辆故障检测方法和装置

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201510189349 2015-04-20
CN2015101893499 2015-04-20
CN201510202972.3A CN104898641B (zh) 2015-04-20 2015-04-24 一种车辆故障检测方法和装置

Publications (2)

Publication Number Publication Date
CN104898641A CN104898641A (zh) 2015-09-09
CN104898641B true CN104898641B (zh) 2017-11-03

Family

ID=54031354

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510202972.3A Active CN104898641B (zh) 2015-04-20 2015-04-24 一种车辆故障检测方法和装置

Country Status (1)

Country Link
CN (1) CN104898641B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105976021B (zh) * 2016-05-24 2018-10-19 北京工业大学 一种带式输送机滚筒组件故障诊断方法
CN107449613B (zh) * 2016-05-30 2019-07-16 上海汽车集团股份有限公司 车辆起动故障原因的检测方法及装置
US10161340B1 (en) * 2017-10-02 2018-12-25 GM Global Technology Operations LLC Fuel injection system and method for a vehicle propulsion system
CN107977301B (zh) * 2017-11-21 2021-04-16 东软集团股份有限公司 设备异常的检测方法、装置、存储介质及电子设备
CN108091129A (zh) * 2018-01-12 2018-05-29 北京摩拜科技有限公司 车辆故障处理方法、服务器、检测设备及车辆系统
CN108416429A (zh) * 2018-02-24 2018-08-17 华北水利水电大学 基于som神经网络的氢燃料发动机故障诊断系统及其方法
CN109109787A (zh) * 2018-07-24 2019-01-01 辽宁工业大学 一种汽车行驶故障监测方法
CN109357876A (zh) * 2018-12-29 2019-02-19 潍柴动力股份有限公司 发动机故障的确定方法及装置
CN110084404B (zh) * 2019-03-31 2020-07-24 唐山百川智能机器股份有限公司 基于大数据的轨道车辆经济性运营及维修规划方法
CN110796487A (zh) * 2019-10-18 2020-02-14 上海钧正网络科技有限公司 数量预测方法、装置、计算机设备和存储介质
CN112326255B (zh) * 2020-11-02 2022-02-18 重庆大学 一种发动机远程健康监护系统及监护方法
CN112965460B (zh) * 2021-02-08 2021-11-23 北京龙谷科技发展有限公司 故障诊断方法、装置及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102175282A (zh) * 2011-01-24 2011-09-07 长春工业大学 一种基于信息融合的离心式空气压缩机故障诊断方法
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
CN104050392A (zh) * 2014-07-07 2014-09-17 联车（上海）信息科技有限公司 一种新型车辆故障评分方法
CN104216397A (zh) * 2014-08-20 2014-12-17 济宁中科先进技术研究院有限公司 智能驱动桥系统故障识别与检测的方法
CN104502754A (zh) * 2014-12-14 2015-04-08 北京理工大学 一种纯电动车辆动力系统的故障诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102175282A (zh) * 2011-01-24 2011-09-07 长春工业大学 一种基于信息融合的离心式空气压缩机故障诊断方法
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
CN104050392A (zh) * 2014-07-07 2014-09-17 联车（上海）信息科技有限公司 一种新型车辆故障评分方法
CN104216397A (zh) * 2014-08-20 2014-12-17 济宁中科先进技术研究院有限公司 智能驱动桥系统故障识别与检测的方法
CN104502754A (zh) * 2014-12-14 2015-04-08 北京理工大学 一种纯电动车辆动力系统的故障诊断方法

Also Published As

Publication number Publication date
CN104898641A (zh) 2015-09-09

Similar Documents

Publication Publication Date Title
CN104898641B (zh) 一种车辆故障检测方法和装置
CN105319071B (zh) 基于最小二乘支持向量机的柴油机燃油系统故障诊断方法
CN108964046B (zh) 一种基于短时受扰轨迹的电力系统暂态稳定性评估方法
CN108664010A (zh) 发电机组故障数据预测方法、装置和计算机设备
CN107241226A (zh) 基于工控私有协议的模糊测试方法
CN106124982A (zh) 一种风电机组的自动专家综合故障诊断系统及诊断方法
CN106323636A (zh) 栈式稀疏自动编码深度神经网络的机械故障程度特征自适应提取与诊断方法
CN110414383A (zh) 基于Wasserstein距离的卷积神经网络对抗迁移学习方法及其应用
CN111120094B (zh) 一种发动机失火检测方法、装置、存储介质及终端
CN104680233A (zh) 基于小波神经网络的发动机故障诊断方法
Wei Design of Web based expert system of electronic control engine fault diagnosis
CN114417948A (zh) 一种基于神经网络预测电池热失控的方法
CN107347069A (zh) 一种基于Kohonen神经网络的最佳攻击路径规划方法
CN107104988A (zh) 一种基于概率神经网络的IPv6入侵检测方法
CN104767744B (zh) 基于协议知识的协议状态机主动推断方法
CN112200263A (zh) 一种应用于配电物联网的自组织联邦聚类方法
Zeng et al. A study on extreme learning machine for gasoline engine torque prediction
CN103603794A (zh) 一种储气库注采压缩机组自适应故障诊断方法及设备
Du et al. Research on the application of artificial intelligence method in automobile engine fault diagnosis
CN104200266B (zh) 一种基于可拓神经网络的烘房加热系统故障诊断方法
Sheikhan et al. Misuse detection using hybrid of association rule mining and connectionist modeling
CN110049034A (zh) 一种基于深度学习的复杂网络实时Sybil攻击检测方法
Zhu et al. Engine misfire fault diagnosis based on SC–ANFIS
CN108194210A (zh) 一种基于遗传信息融合的氢发动机性能优化系统及方法
CN108985103A (zh) 基于粗糙集理论的信息安全判别方法、系统及相关装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant