CN106706314A - 基于虚拟仪器的汽车自动变速器故障诊断仪及诊断方法 - Google Patents
基于虚拟仪器的汽车自动变速器故障诊断仪及诊断方法 Download PDFInfo
- Publication number
- CN106706314A CN106706314A CN201611259460.1A CN201611259460A CN106706314A CN 106706314 A CN106706314 A CN 106706314A CN 201611259460 A CN201611259460 A CN 201611259460A CN 106706314 A CN106706314 A CN 106706314A
- Authority
- CN
- China
- Prior art keywords
- data
- virtual instrument
- automatic transmission
- automobile
- fault diagnosis
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000003745 diagnosis Methods 0.000 title abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 230000008054 signal transmission Effects 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 230000007935 neutral effect Effects 0.000 claims description 25
- 238000013500 data storage Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000002826 coolant Substances 0.000 claims description 5
- 239000000498 cooling water Substances 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000013481 data capture Methods 0.000 claims 1
- 230000008450 motivation Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 4
- 238000013480 data collection Methods 0.000 abstract 6
- 238000010586 diagram Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 238000002405 diagnostic procedure Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000008520 organization Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 3
- 238000010998 test method Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- PWPJGUXAGUPAHP-UHFFFAOYSA-N lufenuron Chemical compound C1=C(Cl)C(OC(F)(F)C(C(F)(F)F)F)=CC(Cl)=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F PWPJGUXAGUPAHP-UHFFFAOYSA-N 0.000 description 2
- 238000010223 real-time analysis Methods 0.000 description 2
- 238000004092 self-diagnosis Methods 0.000 description 2
- 241000272525 Anas platyrhynchos Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000014347 soups Nutrition 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Control Of Transmission Device (AREA)
Abstract
本发明公开一种基于虚拟仪器的汽车自动变速器故障诊断仪及方法,包括数据采集硬件系统和LabVIEW平台搭建的BP神经网络设备诊断系统,数据采集硬件系统包括计算机、数据采集卡、电磁阀信号传输线和传感器组,传感器组连接检测汽车发动机自动变速器的工况,并将检测数据通过数据线连接传输至数据采集卡上,电磁阀信号传输线一端用于连接汽车换挡电池阀,另一端连接数据采集卡;数据采集卡连接计算机,并将采集的数据传输至计算机;由LabVIEW平台搭建的BP神经网络设备诊断系统对数据进行处理分析,判断变速器工况。本发明设计合理,借助虚拟仪器和人工BP神经网络技术可以实现在汽车自动变速器不解体的情况下较为准确地检测故障。
Description
技术领域
本发明涉及汽车故障检测技术领域,具体为一种基于虚拟仪器的汽车自动变速器故障诊断及其诊断方法。
背景技术
汽车电控系统的结构和控制算法日趋复杂,控制范围日益扩大,控制精度日益提高,向综合控制和智能控制的方向发展。电子控制液力自动变速器性能不断完善,结构进一步复杂,相应的故障诊断难度也日益增大,利用经验往往无法准确定位故障源,常常会明显地制约产品维修服务质量的提高,过高的维修费用和过长的维修服务周期往往会严重损害企业的商业形象,传统的听、摸、看诊断方法以及经常的大拆大卸开箱解体诊断己远不能适应要求。
尽管目前在计算机的帮助下己经能够对自动控制系统的部分故障做出自我诊断,但是这种自诊断技术大多尚只适用于对电子元件本身的检测,故障诊断的范围极其有限,不能诊断自动变速器内部机械故障和液压系统方面的故障。为了确保自动变速器故障诊断的准确性,通常采用的检测试验方法是在电脑诊断仪或自诊断的基础上,配合使用失速试验、时滞试验、油压试验、道路试验等方法,这些试验方法的基本共性在于能够 比较方便地实现不拆检的故障信息提取,初步确定故障发生的部位。一般说来,某一类的试验只能反映出自动变速器某个方面的问题,某一种试验方法只能将故障判定在某个范围之内,确切地指明故障源并非易事,而且这些方法仍然在较大的程度上需要依赖分析者的经验和专业知识。因此,为了不断提高汽车自动变速器维修的效率和质量、降低依靠经验和专业知识的程度,将综合电子、数学、物理、计算机、人工智能等科学精华的现代状态检测与故障诊断技术应用于汽车自动变速器的故障诊断中,并研究在不解体的情况下有效的检测诊断故障的方法是非常有意义的。
发明内容
为了克服现有技术提及的缺点,本发明提供一种基于虚拟仪器的汽车自动变速器故障诊断及其诊断方法。
本发明解决其技术问题所采用技术方案为:一种基于虚拟仪器的汽车自动变速器故障诊断仪,包括数据采集硬件系统和LabVIEW平台搭建的BP神经网络设备诊断系统,所述数据采集硬件系统包括计算机、数据采集卡、电磁阀信号传输线和传感器组,所述传感器组连接检测汽车发动机自动变速器的工况,并将检测数据通过数据线连接传输至所述数据采集卡上,所述电磁阀信号传输线一端用于连接汽车换挡电池阀,另一端连接所述数据采集卡;所述数据采集卡连接所述计算机,并将采集的数据传输至所述计算机;所述LabVIEW平台搭建的BP神经网 络设备诊断系统设于所述计算机内,将采集的数据用神经网络的方法(即著名的BP算法)来识别出对应于所述数据的特征规律的故障。
所述传感器组包括发动机转速传感器、节气门开度传感器、冷却液温度传感器、车速传感器和主轴传感器。
所述电磁阀信号传输线数量为三根,分别连接汽车换挡电池阀A、汽车换挡电池阀B和汽车换挡电池阀C。
还包括数据存储及显示装置,所述数据存储及显示装置连接所述所述数据采集卡并接收备份所述数据采集卡采集的数据。
基于虚拟仪器的汽车自动变速器故障诊断方法,利用上述的基于虚拟仪器的汽车自动变速器故障诊断仪执行如下步骤:
首先利用所述传感器组连接需测试的汽车发动机自动变速器,并将汽车发动机自动变速器的发动机转速信号、节气门开度信号、冷却液温度信号、车速信号和主轴信号传输至所述数据采集卡中,所述数据采集卡对数据进行预处理后传输至所述计算机中,所述计算机中的所述LabVIEW平台搭建的BP神经网络设备诊断系统将采集的数据,用神经网络的方法:
式中tpi为节点的期望输出值;Opi为节点计算输出值;
将采集的数据设定为Opi值,tpi为预设的现有技术数值,对数据进行计算处理,对于神经网络的计算结果的输出大于0.5 的视作为无故障,其余视作为故障。
由于自动变速器在运行的时候,可以从相关传感器和执行器的信号和工作情况得知变速器的运行工况,因为这些传感器和执行器的信号相关关系包含了很多的信息,足以反映变速器的运行状况。正常工作的自动变速器,其换档主要是按照节气门开度和车速两参数进行的,一定的油门开度和相应的车速对应某一档位。当发生故障时,自动变速器将不能按照原先设定的程序,正确地根据油门和车速等输入信号及时进行档位切换,致使自动变速器的档位实际变换时刻和发动机转速、油门、车速、主轴(输入轴)转速等信号、换挡电磁阀等执行器输出信号存在其它不确定的对应关系,而这些不确定的对应关系又反映于不同的故障类别与上述参数的特征规律中。根据这种特点,可以用神经网络的方法来从中抽取出各自的特征规律,得出数学模型,从而识别出对应于这种特征规律的故障。
所述神经网络模型的搭建步骤为:
第一步:在所述数据采集系统的程序框图基础上,添加一个前置顺序结构框,在所述前置顺序结构框里面添加Matlab节点,调用Matlab的神经网络工具箱中的函数,再在节点内部输入在前面设计好的神经网络代码,在该神经网络代码加入前面经检测的网络的初始权值和阀值;这样编程的目的是让系统在每次运行的时候就先训练好网络,然后进入数据采集与实时分析的状态,可随时响应故障分析的要求。
第二步:在所述数据采集系统的程序框图后面添加一个顺序框图,框图里面添加选择结构框图,用于决定是否开始分析数据;在结构框图里面进行以下设计。功能是显示神经网络的输出,并对结果作归类,显示于界面上。对于神经网络结果的输出,每次有3个数据,都在。和1之间的,按期望输出[1 0 0][0 1 0][0 0 1」划分为3类,即无故障、故障1、故障2。把神经网络输出值大于0.5的视作为1,小于0.5的视作为0。比如输出结果为[0.8123 00.1021],则算作是模式[1 0 0],属于无故障类别,这种判断是按照神经网络的输出特点而提出的。若输出不符合上述3类的话,就得出“无法判断”的结论。
第三步:在最后一个顺序框图里面加入记录程序,用以记录神经网络的输出结果。界面上用一个按钮控制其记录与否,但是,按要求设计为:要进行诊断分析以后这个按钮才起作用。这样可避免记录一些无用的数据。
至此,整个故障诊断系统就搭建起来了。
最后,所述诊断系统根据自动变速器控制原理,在详细分析了变速器故障规律和特点之后,选择发动机转速信号、节气门开度信号、速信号、主轴转速信号、冷却液温度信号、换挡电磁阀的通断信号等能反映其规律的特征参数作为神经网络的输入向量。理论上,选择尽可能多的相关参数,对分析越有帮助,因为越多的特征向量,越容易判别出具备这些特征的故障 类型和工作情况。
本发明的有益效果是:
1、虚拟仪器技术在汽车检测方面的应用非常方便和实用。工作情况来看,无论是信号的采集还是数据的实时记录,都能从搭建的数据采集系统的轻松实现。
2、BP神经网络模型对设定的自动变速器故障有很好的识别能力,并且它在LabVIEW中的应用方便,轻松实现实时数据采集、数据诊断分析、结果显示等功能。
3、基于LabVIEW平台搭建的神经网络诊断系统,能自动进行数据采集并分析判断,在一定程度上实现了故障诊断的智能化。
本发明设计合理,借助虚拟仪器和人工BP神经网络技术可以实现在汽车自动变速器不解体的情况下较为准确地检测故障,提高汽车自动变速器维修的效率和质量,降低依靠经验和专业知识的程度。
附图说明
图1是本发明的方案原理框图;
图2是本发明的整体结构流程框图。
具体实施方式
下面结合附图对本发明进行进一步的说明。
如图1所示,一种基于虚拟仪器的汽车自动变速器故障诊断仪,包括数据采集硬件系统和LabVIEW平台搭建的BP神经网络设备诊断系统,所述数据采集硬件系统包括计算机、数据采集卡、电磁阀信号传输线和传感器组,所述传感器组连接检测汽车发动机自动变速器的工况,并将检测数据通过数据线连接 传输至所述数据采集卡上,所述电磁阀信号传输线一端用于连接汽车换挡电池阀,另一端连接所述数据采集卡;所述数据采集卡连接所述计算机,并将采集的数据传输至所述计算机;所述LabVIEW平台搭建的BP神经网络设备诊断系统设于所述计算机内,将采集的数据用神经网络的方法(即著名的BP算法)来识别出对应于所述数据的特征规律的故障。
所述传感器组包括发动机转速传感器、节气门开度传感器、冷却液温度传感器、车速传感器和主轴传感器。
所述电磁阀信号传输线数量为三根,分别连接汽车换挡电池阀A、汽车换挡电池阀B和汽车换挡电池阀C。
还包括数据存储及显示装置,所述数据存储及显示装置连接所述所述数据采集卡并接收备份所述数据采集卡采集的数据。
基于虚拟仪器的汽车自动变速器故障诊断方法,利用上述的基于虚拟仪器的汽车自动变速器故障诊断仪执行如下步骤:
首先利用所述传感器组连接需测试的汽车发动机自动变速器,并将汽车发动机自动变速器的发动机转速信号、节气门开度信号、冷却液温度信号、车速信号和主轴信号传输至所述数据采集卡中,所述数据采集卡对数据进行预处理后传输至所述计算机中,所述计算机中的所述LabVIEW平台搭建的BP神经网络设备诊断系统将采集的数据,用神经网络的方法:
式中tpi为节点的期望输出值;Opi为 节点计算输出值;
将采集的数据设定为Opi值,tpi为预设的现有技术数值,对数据进行计算处理,对于神经网络的计算结果的输出大于0.5的视作为无故障,其余视作为故障。
如图2所示,由于自动变速器在运行的时候,可以从相关传感器和执行器的信号和工作情况得知变速器的运行工况,因为这些传感器和执行器的信号相关关系包含了很多的信息,足以反映变速器的运行状况。正常工作的自动变速器,其换档主要是按照节气门开度和车速两参数进行的,一定的油门开度和相应的车速对应某一档位。当发生故障时,自动变速器将不能按照原先设定的程序,正确地根据油门和车速等输入信号及时进行档位切换,致使自动变速器的档位实际变换时刻和发动机转速、油门、车速、主轴(输入轴)转速等信号、换挡电磁阀等执行器输出信号存在其它不确定的对应关系,而这些不确定的对应关系又反映于不同的故障类别与上述参数的特征规律中。根据这种特点,可以用神经网络的方法来从中抽取出各自的特征规律,得出数学模型,从而识别出对应于这种特征规律的故障。
所述神经网络模型的搭建步骤为:
第一步:在所述数据采集系统的程序框图基础上,添加一个前置顺序结构框,在所述前置顺序结构框里面添加Matlab节点,调用Matlab的神经网络工具箱中的函数,再在节点内部输入在 前面设计好的神经网络代码,在该神经网络代码加入前面经检测的网络的初始权值和阀值;这样编程的目的是让系统在每次运行的时候就先训练好网络,然后进入数据采集与实时分析的状态,可随时响应故障分析的要求。
第二步:在所述数据采集系统的程序框图后面添加一个顺序框图,框图里面添加选择结构框图,用于决定是否开始分析数据;在结构框图里面进行以下设计。功能是显示神经网络的输出,并对结果作归类,显示于界面上。对于神经网络结果的输出,每次有3个数据,都在。和1之间的,按期望输出[1 0 0][0 1 0][0 0 1」划分为3类,即无故障、故障1、故障2。把神经网络输出值大于0.5的视作为1,小于0.5的视作为0。比如输出结果为[0.8123 00.1021],则算作是模式[1 0 0],属于无故障类别,这种判断是按照神经网络的输出特点而提出的。若输出不符合上述3类的话,就得出“无法判断”的结论。
第三步:在最后一个顺序框图里面加入记录程序,用以记录神经网络的输出结果。界面上用一个按钮控制其记录与否,但是,按要求设计为:要进行诊断分析以后这个按钮才起作用。这样可避免记录一些无用的数据。
至此,整个故障诊断系统就搭建起来了。
最后,所述诊断系统根据自动变速器控制原理,在详细分析了变速器故障规律和特点之后,选择发动机转速信号、节气 门开度信号、速信号、主轴转速信号、冷却液温度信号、换挡电磁阀的通断信号等能反映其规律的特征参数作为神经网络的输入向量。理论上,选择尽可能多的相关参数,对分析越有帮助,因为越多的特征向量,越容易判别出具备这些特征的故障类型和工作情况。
以上所述者,仅为本发明的较佳实施例而已,当不能以此限定本发明实施的范围,即大凡依本发明申请专利范围及发明说明内容所作的简单的等效变化与修饰,皆仍属本发明专利涵盖的范围内。
Claims (5)
1.基于虚拟仪器的汽车自动变速器故障诊断仪,其特征在于,包括数据采集硬件系统和LabVIEW平台搭建的BP神经网络设备诊断系统,所述数据采集硬件系统包括计算机、数据采集卡、电磁阀信号传输线和传感器组,所述传感器组连接检测汽车发动机自动变速器的工况,并将检测数据通过数据线连接传输至所述数据采集卡上,所述电磁阀信号传输线一端用于连接汽车换挡电池阀,另一端连接所述数据采集卡;所述数据采集卡连接所述计算机,并将采集的数据传输至所述计算机;所述LabVIEW平台搭建的神经网络设备诊断系统设于所述计算机内,将采集的数据用神经网络的方法来识别出对应于所述数据的特征规律的故障。
2.根据权利要求1所述的基于虚拟仪器的汽车自动变速器故障诊断仪,其特征在于,所述传感器组包括发动机转速传感器、节气门开度传感器、冷却液温度传感器、车速传感器和主轴传感器。
3.根据权利要求1所述的基于虚拟仪器的汽车自动变速器故障诊断仪,其特征在于,所述电磁阀信号传输线数量为三根,分别用于连接汽车的换挡电池阀。
4.根据权利要求1所述的基于虚拟仪器的汽车自动变速器故障诊断仪,其特征在于,还包括数据存储及显示装置,所述数据存储及显示装置连接所述所述数据采集卡并接收备份所述数据采集卡采集的数据。
5.基于虚拟仪器的汽车自动变速器故障诊断方法,其特征在于,基于权利要求2所述的基于虚拟仪器的汽车自动变速器故障诊断仪,首先利用所述传感器组连接需测试的汽车发动机自动变速器,并将汽车发动机自动变速器的发动机转速信号、节气门开度信号、冷却液温度信号、车速信号和主轴信号传输至所述数据采集卡中,所述数据采集卡对数据进行预处理后传输至所述计算机中,所述计算机中的所述LabVIEW平台搭建的BP神经网络设备诊断系统将采集的数据,用神经网络的方法:
式中tpi为节点的期望输出值;Opi为节点计算输出值;
将采集的数据设定为Opi值,tpi为预设的现有技术数值,对数据进行计算处理,对于神经网络的计算结果的输出大于0.5的视作为无故障,其余视作为故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611259460.1A CN106706314A (zh) | 2016-12-30 | 2016-12-30 | 基于虚拟仪器的汽车自动变速器故障诊断仪及诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611259460.1A CN106706314A (zh) | 2016-12-30 | 2016-12-30 | 基于虚拟仪器的汽车自动变速器故障诊断仪及诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106706314A true CN106706314A (zh) | 2017-05-24 |
Family
ID=58906394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611259460.1A Pending CN106706314A (zh) | 2016-12-30 | 2016-12-30 | 基于虚拟仪器的汽车自动变速器故障诊断仪及诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106706314A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108896089A (zh) * | 2018-06-14 | 2018-11-27 | 广东松山职业技术学院 | 一种汽车传感器故障快速诊断系统及其诊断方法 |
CN109920082A (zh) * | 2019-03-11 | 2019-06-21 | 辽宁工业大学 | 一种混合动力电动汽车故障诊断预警方法 |
CN111272420A (zh) * | 2020-03-03 | 2020-06-12 | 陕西重型汽车有限公司 | 一种四维一体的大数据amt综合评测方法 |
CN112203292A (zh) * | 2020-09-30 | 2021-01-08 | 西北民族大学 | 一种无线传感器网络部署装置及使用方法 |
CN112211999A (zh) * | 2020-09-03 | 2021-01-12 | 扎鲁特旗扎哈淖尔煤业有限公司 | 自卸车变速箱故障检修仪 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0398481A2 (en) * | 1989-05-18 | 1990-11-22 | Ford Motor Company Limited | Method and apparatus for diagnosing an electronic automotive control system by means of pattern recognition |
CN201255689Y (zh) * | 2008-08-11 | 2009-06-10 | 重庆大学 | 虚拟式汽车齿轮箱测试诊断仪 |
CN206488924U (zh) * | 2016-12-30 | 2017-09-12 | 广东技术师范学院 | 基于虚拟仪器的汽车自动变速器故障诊断仪 |
-
2016
- 2016-12-30 CN CN201611259460.1A patent/CN106706314A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0398481A2 (en) * | 1989-05-18 | 1990-11-22 | Ford Motor Company Limited | Method and apparatus for diagnosing an electronic automotive control system by means of pattern recognition |
CN201255689Y (zh) * | 2008-08-11 | 2009-06-10 | 重庆大学 | 虚拟式汽车齿轮箱测试诊断仪 |
CN206488924U (zh) * | 2016-12-30 | 2017-09-12 | 广东技术师范学院 | 基于虚拟仪器的汽车自动变速器故障诊断仪 |
Non-Patent Citations (1)
Title |
---|
杜灿谊 等: "基于虚拟仪器和神经网络的汽车自动变速器故障诊断方法的研究", 《湖北汽车工业学院学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108896089A (zh) * | 2018-06-14 | 2018-11-27 | 广东松山职业技术学院 | 一种汽车传感器故障快速诊断系统及其诊断方法 |
CN108896089B (zh) * | 2018-06-14 | 2024-05-17 | 广东松山职业技术学院 | 一种汽车传感器故障快速诊断系统及其诊断方法 |
CN109920082A (zh) * | 2019-03-11 | 2019-06-21 | 辽宁工业大学 | 一种混合动力电动汽车故障诊断预警方法 |
CN109920082B (zh) * | 2019-03-11 | 2021-01-15 | 辽宁工业大学 | 一种混合动力电动汽车故障诊断预警方法 |
CN111272420A (zh) * | 2020-03-03 | 2020-06-12 | 陕西重型汽车有限公司 | 一种四维一体的大数据amt综合评测方法 |
CN112211999A (zh) * | 2020-09-03 | 2021-01-12 | 扎鲁特旗扎哈淖尔煤业有限公司 | 自卸车变速箱故障检修仪 |
CN112211999B (zh) * | 2020-09-03 | 2022-03-29 | 扎鲁特旗扎哈淖尔煤业有限公司 | 自卸车变速箱故障检修仪 |
CN112203292A (zh) * | 2020-09-30 | 2021-01-08 | 西北民族大学 | 一种无线传感器网络部署装置及使用方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106706314A (zh) | 基于虚拟仪器的汽车自动变速器故障诊断仪及诊断方法 | |
CN110334764B (zh) | 基于集成深度自编码器的旋转机械智能故障诊断方法 | |
US6240343B1 (en) | Apparatus and method for diagnosing an engine using computer based models in combination with a neural network | |
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 | |
CN109299705A (zh) | 基于一维深度残差卷积神经网络的旋转机械故障诊断方法 | |
CN104373595B (zh) | 机械式自动变速器amt的挡位识别方法和故障诊断方法 | |
CN107797537A (zh) | 一种应用于自动化生产线的故障预测与健康管理方法 | |
CN108931387A (zh) | 提供准确诊断决策的基于多传感器信号分析的故障诊断方法 | |
CN107655693A (zh) | 一种船舶发动机故障诊断系统及方法 | |
CN106444489A (zh) | 基于数字化监测重型装备发动机的监测装置及其监测方法 | |
CN105736140B (zh) | 一种柴油机瞬时转速测量及气缸熄火故障诊断装置和方法 | |
CN109782603A (zh) | 旋转机械耦合故障的检测方法及监测系统 | |
JP6557110B2 (ja) | 状態診断装置及びプログラム | |
CN108896299A (zh) | 一种齿轮箱故障检测方法 | |
CN102494899A (zh) | 柴油机复合故障诊断方法及诊断系统 | |
CN102736562B (zh) | 面向数控机床故障诊断与故障预报的知识库构建方法 | |
CN206488924U (zh) | 基于虚拟仪器的汽车自动变速器故障诊断仪 | |
CN108304661A (zh) | 基于tdp模型的诊断预测方法 | |
CN113339204B (zh) | 一种基于混合神经网络的风力发电机故障识别方法 | |
CN103091112A (zh) | 基于模糊推理和自学习的汽车排放故障检诊方法及装置 | |
CN203083829U (zh) | 基于简易工况法尾气排放检测的汽车故障诊断系统 | |
CN109141898A (zh) | 一种基于物联网的柴油发动机故障诊断系统 | |
CN107831711A (zh) | 基于聚类的推土机动力总成故障诊断系统构建方法和装置 | |
CN112631261A (zh) | 一种大功率拖拉机远程故障诊断系统及方法 | |
CN103267652B (zh) | 一种智能早期设备故障在线诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170524 |