CN108445868B - 一种基于现代信号处理技术的汽车智能故障诊断系统及方法 - Google Patents
一种基于现代信号处理技术的汽车智能故障诊断系统及方法 Download PDFInfo
- Publication number
- CN108445868B CN108445868B CN201810251573.XA CN201810251573A CN108445868B CN 108445868 B CN108445868 B CN 108445868B CN 201810251573 A CN201810251573 A CN 201810251573A CN 108445868 B CN108445868 B CN 108445868B
- Authority
- CN
- China
- Prior art keywords
- signal
- diagnosis
- fault
- module
- automobile
- 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
Links
Images
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
- 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
-
- 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
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于现代信号处理技术的汽车智能故障诊断系统及方法,属于汽车诊断领域。一种基于现代信号处理技术的汽车智能故障诊断系统,包括诊断平台、下位机通信模块和汽车ECU;下位机通信模块,与汽车ECU连接,进行数据通信;诊断平台,与下位机通信模块连接,进行数据通信,向汽车ECU发送诊断命令,并接收汽车ECU返回的状态数据流与故障码,并根据接收的数据进行故障诊断。并公开了该诊断方法。本发明利用信号处理技术对获取的数据流进行特征提取,再利用人工智能技术对目标特征进行训练与学习,进而自动地完成分类和识别,满足的汽车系统的多样性和复杂性要求,具有更高的智能水平、更好的环境适应性和更广阔的应用前景。
Description
技术领域
本发明涉及信号处理技术、人工智能技术、汽车诊断技术和通信协议技术,属于交叉学科领域,主要应用于汽车诊断设备中电子产品的研发,也可应用于其他涉及信号处理和人工智能技术的故障诊断应用领域。
背景技术
目前,汽车电控系统越来越复杂,并且汽车故障复杂多样,而目前常用的诊断设备只能显示故障码和汽车数据流,很难对汽车的故障原因进行实时准确地估计与识别,因此在汽车故障诊断过程中更多的需要依赖维修人员的技术水平,从而给汽修带来一定风险。而汽车的行驶安全问题受到越来越多的关注,加强汽车的安全技术检测,成为急待解决的重要问题。
另一方面,智能化的汽车诊断技术不仅可以取代手工操作,还可实现数据通信、信息共享和各系统间的功能协调和优化,实现智能故障诊断,降低故障发生率,使得在复杂路况下自动精准安全地操控汽车。但是汽车电控系统中一些数据信号为时变信号或非平稳信号。分析这些信号时,不仅要找出所含的谱分量,还需要知道各谱分量随时间的变化。而传统的频谱分析可以知道哪些频率在信号中出现,但不知道各谱分量随时间的变化,无法满足汽车诊断的要求。
近年来,信号处理技术的发展大大提高了信号特征提取与状态分类识别的有效性;而人工智能技术的迅速发展,特别是专家系统、人工神经网络在故障诊断领域的进一步应用,为智能汽车故障诊断的发展奠定了基础。如何通过时频信号处理技术和人工智能技术对汽车的故障进行精确诊断是急需解决的技术问题。
发明内容
为克服现有技术中存在的技术问题,本发明提供一种无需依赖维修人员的技术水平,能够迅速、客观检测汽车故障码的故障诊断系统及方法。
为实现上述目的,本发明采用如下技术方案:
一种基于现代信号处理技术的汽车智能故障诊断系统,包括诊断平台、下位机通信模块和汽车ECU;
下位机通信模块,与汽车ECU连接,进行数据通信;
诊断平台,与下位机通信模块连接,进行数据通信,向汽车ECU发送诊断命令,并接收汽车ECU返回的状态数据流与故障码,并根据接收的数据进行故障诊断。
进一步的技术方案,所述的诊断平台包括:主控模块、信号处理模块、特征提取与状态分类识别模块、故障码分类模块和人工智能诊断模块;
主控模块,与下位机通信模块连接,进行数据通信,根据接收的数据对车型进行诊断,向汽车ECU发送诊断命令,并接收汽车ECU返回的状态数据流与故障码;
信号处理模块,与主控模块连接,对汽车ECU返回的状态数据流进行信号处理,并得到具体的信号特征值;
特征提取与状态分类识别模块,与信号处理模块连接,对信号特征值进行分析并进行特征分类;
故障码分析模块,与主控模块连接,对汽车EUC的故障码进行分类并得到冻结帧及相关故障数据流;
人工智能诊断模块,与特征提取与状态分类识别模块和故障码分类模块连接,根据故障码的分类信息和特征提取与状态分类识别模块输出的相应数据流状态分类信息依据人工智能诊断算法对汽车故障进行定位和判断。
进一步的技术方案,所述的信号处理模块采用解调谱方法对滚动轴承产生的振动数据流信号或怠速信号进行解调谱分析,得到信号谱形特征,包括线谱幅值am和线谱频率ft的信号特征值,作为特征提取与状态分类识别模块的输入值;
所述的信号处理模块采用小波变换对发动机非平稳周期振动信号进行多层小波包分解,提取低频到高频信号特征,并得到信号时域参数特征向量T的特征值,作为特征提取与状态分类识别模块的输入值;
所述的信号处理模块对转速数据流信号进行短时傅里叶变换STFT,得到信号时频谱的特征值,包括宽带谱和窄带谱,作为特征提取与状态分类识别模块的输入值。
进一步的技术方案,所述的线谱幅值am和线谱频率ft的信号特征值的计算方法如下:
滚动轴承发生故障时产生噪声信号中含有高频载波信号和低频调制信号ym=[xm+am cos(2πftt)]cos(2πmfzt)(公式1),ft为调制信号频率,fz为载波频率,m为基频倍数,t为时间;先对该信号进行带通滤波,得到故障产生的异常振动信号,再对该故障信号进行绝对值信号修正,最后对修正信号进行低通滤波就可以得到包含故障信息的调制信号频率;采用下面公式进行信号修正:
进一步的技术方案,所述的信号时域参数特征向量T的特征值的计算方法如下:
对采集数据流信号进行n层小波包分解,提取第n层低频到高频的2n个频率成分的信号特征Wnj,并进一步得到信号能量Enj,并以Enj为元素构造特征向量T作为特征提取与分类识别模块的输入,j为0、1、2…2n-1,En,0、En,1、En,2…En,j对应的频带为的信号能量值,fs为最高频率。
进一步的技术方案,所述的人工智能诊断的算法采用BP神经网络,包括输入层、隐层和输出层,将特征值作为输入层节点的输入值;然后通过与隐层权重参数得到隐层输入数据并通过激励函数得到隐层输出,同样过程得到输出层输出值,利用参数的显著性检验来动态删除一些线性相关的隐神经元;最佳隐层神经元数L采用如下公式计算:L=(m+k)/2+c,m为输入节点数;k为输出节点数;c是接近于0的常数;隐层神经元数为输入、输出神经元之和的一半,激励函数为Sigmoid函数。
进一步的技术方案,所述的人工智能诊断的算法中根据计算误差动态对学习步长进行自适应调节,自适应步长η调节方法如下:对学习步长进行自适应调节,可以在人工智能计算中根据计算误差动态调整学习步长,从而可以提高人工智能计算的稳定性、准确性并减小计算步数。
其中,η(n)当前时刻的学习步长,η(n+1)为下一时刻学习步长,E(n)当前时刻的计算误差,E(n+1)为下一时刻计算误差。
进一步的技术方案,所述的隐神经元的删除方法:当由该神经元节点出发指向下一层节点的所有权值和阈值均落于死区之中,则该节点可删除;所有权值的死区取±0.1区间,阈值的死区取±0.05区间。
一种基于现代信号处理技术的汽车智能故障诊断方法,包括以下步骤:
a.主控模块加载具体车型的诊断数据库,利用蓝牙技术将数据库中具体车型的初始化信息,向下位机通信模块发送,并进行设备初始化配置;
b.主控模块先通过蓝牙通信与下位机通信模块建立通信传输通道,再通过OBDII总线建立与汽车ECU的通信连接,并保持该通信连接,直至完成故障诊断;
c.主控模块通过数据传输通道,将具体诊断命令发送至汽车ECU;
d.汽车ECU根据诊断命令,向下位机通信模块返回数据流和故障码,并进一步传送至主控模块;
e.信号处理模块利用信号处理算法对数据流的信息进行分析,并得到数据流的特征值,同时故障码分析模块对故障码进行分类并得到冻结帧及相关故障数据流;
f.特征提取与状态分类识别模块对数据流的特征值进行选定和分类,并把分类信息传输至人工智能诊断模块;
g.人工智能诊断模块根据故障码类别调取相对应数据流状态分类信息,将特征提取与状态分类识别模块输出的参数输入,并进行人工智能诊断的计算,通过人工智能算法判断汽车故障。
所述的诊断数据库包括车型协议初始化参数和诊断功能的具体命令,初始化信息包括通信协议参数值。
本发明利用现代信号处理技术,如时频分析、小波变换、基于傅里叶变换的谱分析,对汽车数据流信号进行变换处理,并得到特征参数值,对这些特征参数值进行提取和状态分类识别后,再利用人工智能技术,进行规则和神经网络交互式推理,利用神经网络的学习功能和强大的非线性映射特性和很强的容错性能实现故障的快速诊断,进一步减小汽车故障诊断中对人的依赖因素,从而提高诊断准确性和可靠性。
有益效果
与现有技术相比,本发明具有如下优点:
1、本发明利用信号处理技术对获取的数据流进行特征提取,再利用人工智能技术对目标特征进行训练与学习,进而自动地完成分类和识别,满足的汽车系统的多样性和复杂性要求,具有更高的智能水平、更好的环境适应性和更广阔的应用前景。
2、本发明通过短时傅里叶变换STFT分析可以找到数据的谱分量和各谱分量随时间的变化,可以更有效地提取数据流中的故障类型特征,并用于故障类型模式识别;采用多层小波包分解可以有效提取从低频到高频的各个频带上的故障特征信息。解调谱方法通过调制信号频率参数可以有效识别滚动轴承中的故障调制信号特征。
3、本发明根据汽车电控系统的一些典型故障,对故障症兆的技术状态特征进行描述,利用神经网络进行故障模式识别,可以更有效地对故障部位判断并分析故障原因。鉴于电控系统组成的复杂性,同样的故障征兆具有”一果多因”的特点。因此,以故障征兆为基本模式,采用单故障样本组合的方式对神经网络进行训练,以识别具体的故障原因和部位。
4、本发明可以在VS2012平台下采用基于事件驱动的VC++工具开发信号处理模块和人工智能诊断模块,实现信号处理和人工智能算法;本发明涉及信号处理技术、人工智能技术、计算机工程和文件型数据库等技术领域,同时还涉及汽车诊断协议理论与汽车诊断技术,体现了多学科与多领域的交叉性。
附图说明
图1为本发明的框架结构图;
图2为本发明的汽车故障智能诊断的流程图。
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的说明。
实施例
如图1所示,一种基于现代信号处理技术的汽车智能故障诊断系统,包括诊断平台、下位机通信模块和汽车ECU;
下位机通信模块,与汽车ECU连接,进行数据通信;
诊断平台,与下位机通信模块连接,进行数据通信,向汽车ECU发送诊断命令,并接收汽车ECU返回的状态数据流与故障码,并根据接收的数据进行故障诊断。
所述的诊断平台包括:主控模块、信号处理模块、特征提取与状态分类识别模块、故障码分类模块和人工智能诊断模块;
主控模块,与下位机通信模块连接,进行数据通信,根据接收的数据对车型进行诊断,向汽车ECU发送诊断命令,并接收汽车ECU返回的状态数据流与故障码;
信号处理模块,与主控模块连接,对汽车ECU返回的状态数据流进行信号处理,并得到具体的信号特征值;
特征提取与状态分类识别模块,与信号处理模块连接,对信号特征值进行分析并进行特征分类;
故障码分析模块,与主控模块连接,对汽车EUC的故障码进行分类并得到冻结帧及相关故障数据流;
人工智能诊断模块,与特征提取与状态分类识别模块和故障码分类模块连接,根据故障码的分类信息和特征提取与状态分类识别模块输出的相应数据流状态分类信息依据人工智能诊断算法对汽车故障进行定位和判断。
所述的信号处理模块采用解调谱方法对滚动轴承产生的振动数据流信号或怠速信号进行解调谱分析,得到信号谱形特征,包括线谱幅值am和线谱频率ft的信号特征值,作为特征提取与状态分类识别模块的输入值;
所述的信号处理模块采用小波变换对发动机非平稳周期振动信号进行多层小波包分解,提取低频到高频信号特征,并得到信号时域参数特征向量T的特征值,作为特征提取与状态分类识别模块的输入值;
所述的信号处理模块对转速数据流信号进行短时傅里叶变换STFT,得到信号时频谱的特征值,包括宽带谱和窄带谱,作为特征提取与状态分类识别模块的输入值。
所述的线谱幅值am和线谱频率ft的信号特征值的计算方法如下:
滚动轴承发生故障时产生噪声信号中含有高频载波信号和低频调制信号ym=[xm+am cos(2πftt)]cos(2πmfzt)(公式1),ft为调制信号频率,fz为载波频率,m为基频倍数,t为时间;先对该信号进行带通滤波,得到故障产生的异常振动信号,再对该故障信号进行绝对值信号修正,最后对修正信号进行低通滤波就可以得到包含故障信息的调制信号频率;采用下面公式进行信号修正:
所述的信号时域参数特征向量T的特征值的计算方法如下:
对采集数据流信号进行n层小波包分解,提取第n层低频到高频的2n个频率成分的信号特征Wnj,并进一步得到信号能量Enj,并以Enj为元素构造特征向量T作为特征提取与分类识别模块的输入,j为0,1,2…2n-1,En,0,En,1,En,2…En,j对应的频带为的信号能量值,fs为最高频率。
例如,对采集数据流信号进行n=3层小波包分解,提取第3层低频到高频的8个频率成分的信号特征W3j,并进一步得到信号能量E3j,并以E3j为元素构造特征向量T作为特征提取与分类识别模块的输入,j为0到7,这8组系数对应的频带为fs为最高频率。
所述的人工智能诊断的算法采用BP神经网络,包括输入层、隐层和输出层,将特征值作为输入层节点的输入值;然后通过与隐层权重参数得到隐层输入数据并通过激励函数得到隐层输出,同样过程得到输出层输出值,利用参数的显著性检验来动态删除一些线性相关的隐神经元;最佳隐层神经元数L采用如下公式计算:L=(m+k)/2+c,m为输入节点数;k为输出节点数;c是接近于0的常数;隐层神经元数为输入、输出神经元之和的一半,激励函数为Sigmoid函数。
所述的人工智能诊断的算法中根据计算误差动态对学习步长进行自适应调节,自适应步长η调节方法如下:对学习步长进行自适应调节,可以在人工智能计算中根据计算误差动态调整学习步长,从而可以提高人工智能计算的稳定性、准确性并减小计算步数。
其中,η(n)当前时刻的学习步长,η(n+1)为下一时刻学习步长,E(n)当前时刻的计算误差,E(n+1)为下一时刻计算误差。
所述的隐神经元的删除方法:当由该神经元节点出发指向下一层节点的所有权值和阈值均落于死区之中,则该节点可删除;所有权值的死区取±0.1区间,阈值的死区取±0.05区间。
如图2所示,一种基于现代信号处理技术的汽车智能故障诊断方法,包括以下步骤:
a.主控模块加载具体车型的诊断数据库,利用蓝牙技术将数据库中具体车型的初始化信息,向下位机通信模块发送,并进行设备初始化配置;
b.主控模块先通过蓝牙通信与下位机通信模块建立通信传输通道,再通过OBDII总线建立与汽车ECU的通信连接,并保持该通信连接,直至完成故障诊断;
c.主控模块通过数据传输通道,将具体诊断命令发送至汽车ECU;
d.汽车ECU根据诊断命令,向下位机通信模块返回数据流和故障码,并进一步传送至主控模块;
e.信号处理模块利用信号处理算法对数据流的信息进行分析,并得到数据流的特征值,同时故障码分析模块对故障码进行分类并得到冻结帧及相关故障数据流;
f.特征提取与状态分类识别模块对数据流的特征值进行选定和分类,并把分类信息传输至人工智能诊断模块;
g.人工智能诊断模块根据故障码类别调取相对应数据流状态分类信息,将特征提取与状态分类识别模块输出的参数输入,并进行人工智能诊断的计算,通过人工智能算法判断汽车故障。
所述的诊断数据库包括车型协议初始化参数和诊断功能的具体命令,初始化信息包括通信协议参数值。
本发明利用现代信号处理技术,如时频分析、小波变换、基于傅里叶变换的谱分析,对汽车数据流信号进行变换处理,并得到特征参数值,对这些特征参数值进行提取和状态分类识别后,再利用人工智能技术,进行规则和神经网络交互式推理,利用神经网络的学习功能和强大的非线性映射特性和很强的容错性能实现故障的快速诊断,进一步减小汽车故障诊断中对人的依赖因素,从而提高诊断准确性和可靠性。
Claims (4)
1.一种基于现代信号处理技术的汽车智能故障诊断系统,其特征在于:包括诊断平台、下位机通信模块和汽车ECU;
下位机通信模块,与汽车ECU连接,进行数据通信;
诊断平台,与下位机通信模块连接,进行数据通信,向汽车ECU发送诊断命令,并接收汽车ECU返回的状态数据流与故障码,并根据接收的数据进行故障诊断;
所述的诊断平台包括:主控模块、信号处理模块、特征提取与状态分类识别模块、故障码分类模块和人工智能诊断模块;
主控模块,与下位机通信模块连接,进行数据通信,根据接收的数据对车型进行诊断,向汽车ECU发送诊断命令,并接收汽车ECU返回的状态数据流与故障码;
信号处理模块,与主控模块连接,对汽车ECU返回的状态数据流进行信号处理,并得到具体的信号特征值;
特征提取与状态分类识别模块,与信号处理模块连接,对信号特征值进行分析并进行特征分类;
故障码分析模块,与主控模块连接,对汽车EUC的故障码进行分类并得到冻结帧及相关故障数据流;
人工智能诊断模块,与特征提取与状态分类识别模块和故障码分类模块连接,根据故障码的分类信息和特征提取与状态分类识别模块输出的相应数据流状态分类信息依据人工智能诊断算法对汽车故障进行定位和判断;
所述的信号处理模块采用解调谱方法对滚动轴承产生的振动数据流信号或怠速信号进行解调谱分析,得到信号谱形特征,包括线谱幅值am和线谱频率ft的信号特征值,作为特征提取与状态分类识别模块的输入值;
所述的信号处理模块采用小波变换对发动机非平稳周期振动信号进行多层小波包分解,提取低频到高频信号特征,并得到信号时域参数特征向量T的特征值,作为特征提取与状态分类识别模块的输入值;
所述的信号处理模块对转速数据流信号进行短时傅里叶变换STFT,得到信号时频谱的特征值,包括宽带谱和窄带谱,作为特征提取与状态分类识别模块的输入值;
所述的人工智能诊断算法采用BP神经网络,包括输入层、隐层和输出层,将特征值作为输入层节点的输入值;然后通过隐层权重参数得到隐层输入数据并通过激励函数得到隐层输出,同样过程得到输出层输出值,利用参数的显著性检验来动态删除一些线性相关的隐神经元;最佳隐层神经元数L采用如下公式计算:L=(m+k)/2+c,m为输入节点数;k为输出节点数;c是接近于0;激励函数为Sigmoid函数;
所述的人工智能诊断的算法中根据计算误差动态对学习步长进行自适应调节,自适应步长η调节方法如下:
其中,η(n)当前时刻的学习步长,η(n+1)为下一时刻学习步长,E(n)当前时刻的计算误差,E(n+1)为下一时刻计算误差;
所述的隐神经元的删除方法:当由神经元节点出发指向下一层节点的所有权值和阈值均落于死区之中,则该节点可删除;所有权值的死区取±0.1区间,阈值的死区取±0.05区间。
4.一种基于现代信号处理技术的汽车智能故障诊断方法,其特征在于:包括以下步骤:
a.主控模块加载具体车型的诊断数据库,利用蓝牙技术将数据库中具体车型的初始化信息,向下位机通信模块发送,并进行设备初始化配置;
b.主控模块先通过蓝牙通信与下位机通信模块建立通信传输通道,再通过OBDII总线建立与汽车ECU的通信连接,并保持该通信连接,直至完成故障诊断;
c.主控模块通过数据传输通道,将具体诊断命令发送至汽车ECU;
d.汽车ECU根据诊断命令,向下位机通信模块返回数据流和故障码,并进一步传送至主控模块;
e.信号处理模块利用信号处理算法对数据流的信息进行分析,并得到数据流的特征值,同时故障码分析模块对故障码进行分类并得到冻结帧及相关故障数据流;
f.特征提取与状态分类识别模块对数据流的特征值进行选定和分类,并把分类信息传输至人工智能诊断模块;
g.人工智能诊断模块根据故障码类别调取相对应数据流状态分类信息,将特征提取与状态分类识别模块输出的参数输入,并进行人工智能诊断的计算,通过人工智能算法判断汽车故障;
所述的信号处理模块采用解调谱方法对滚动轴承产生的振动数据流信号或怠速信号进行解调谱分析,得到信号谱形特征,包括线谱幅值am和线谱频率ft的信号特征值,作为特征提取与状态分类识别模块的输入值;
所述的信号处理模块采用小波变换对发动机非平稳周期振动信号进行多层小波包分解,提取低频到高频信号特征,并得到信号时域参数特征向量T的特征值,作为特征提取与状态分类识别模块的输入值;
所述的信号处理模块对转速数据流信号进行短时傅里叶变换STFT,得到信号时频谱的特征值,包括宽带谱和窄带谱,作为特征提取与状态分类识别模块的输入值;
所述的人工智能诊断算法采用BP神经网络,包括输入层、隐层和输出层,将特征值作为输入层节点的输入值;然后通过隐层权重参数得到隐层输入数据并通过激励函数得到隐层输出,同样过程得到输出层输出值,利用参数的显著性检验来动态删除一些线性相关的隐神经元;最佳隐层神经元数L采用如下公式计算:L=(m+k)/2+c,m为输入节点数;k为输出节点数;c是接近于0;激励函数为Sigmoid函数;
所述的人工智能诊断的算法中根据计算误差动态对学习步长进行自适应调节,自适应步长η调节方法如下:
其中,η(n)当前时刻的学习步长,η(n+1)为下一时刻学习步长,E(n)当前时刻的计算误差,E(n+1)为下一时刻计算误差;
所述的隐神经元的删除方法:当由神经元节点出发指向下一层节点的所有权值和阈值均落于死区之中,则该节点可删除;所有权值的死区取±0.1区间,阈值的死区取±0.05区间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810251573.XA CN108445868B (zh) | 2018-03-26 | 2018-03-26 | 一种基于现代信号处理技术的汽车智能故障诊断系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810251573.XA CN108445868B (zh) | 2018-03-26 | 2018-03-26 | 一种基于现代信号处理技术的汽车智能故障诊断系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108445868A CN108445868A (zh) | 2018-08-24 |
CN108445868B true CN108445868B (zh) | 2020-12-29 |
Family
ID=63196605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810251573.XA Active CN108445868B (zh) | 2018-03-26 | 2018-03-26 | 一种基于现代信号处理技术的汽车智能故障诊断系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108445868B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200041098A (ko) * | 2018-10-11 | 2020-04-21 | 현대자동차주식회사 | 파워 트레인 부품 고장 진단 방법 |
KR102591145B1 (ko) * | 2018-11-14 | 2023-10-18 | 한국전자통신연구원 | 고장 진단을 위한 부품의 상태 예측 방법 및 장치 |
JP7462400B2 (ja) | 2018-12-13 | 2024-04-05 | 現代自動車株式会社 | 問題騒音の発音源を識別するための騒音データの人工知能装置および前処理方法 |
CN113472619A (zh) * | 2018-12-29 | 2021-10-01 | 深圳市道通科技股份有限公司 | 车辆通信接口装置中的数据传输方法及车辆通信接口装置 |
CN109981339B (zh) * | 2019-02-14 | 2021-03-30 | 电子科技大学 | 一种网联汽车控制系统的故障容错控制方法 |
CN112530165B (zh) * | 2020-11-30 | 2022-01-28 | 中国民航信息网络股份有限公司 | 一种基于物联网的机坪保障车辆的违章判断方法和装置 |
CN112650204B (zh) * | 2020-12-30 | 2021-12-24 | 中南大学 | 一种智慧轨道无人驾驶车辆故障基因识别方法及系统 |
CN112925296B (zh) * | 2021-01-29 | 2022-06-14 | 华南理工大学 | 一种基于人工智能的图形化车载网络诊断方法 |
CN114483942B (zh) * | 2022-01-12 | 2023-05-26 | 安徽省爱夫卡电子科技有限公司 | 汽车变速器控制单元离合器自学习检测方法、系统和设备 |
CN115277294B (zh) * | 2022-07-27 | 2024-03-26 | 中车青岛四方车辆研究所有限公司 | 一种差分总线在线健康诊断方法及系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101634605B (zh) * | 2009-04-10 | 2011-03-30 | 北京工业大学 | 基于混合推理和神经网络的齿轮箱故障智能诊断方法 |
CN102736615B (zh) * | 2012-03-31 | 2014-08-13 | 深圳市元征科技股份有限公司 | 汽车故障诊断方法 |
CN103455025B (zh) * | 2013-08-15 | 2017-09-19 | 重庆邮电大学 | 一种基于Android平台的汽车故障诊断系统 |
CN104111172B (zh) * | 2014-07-17 | 2017-04-05 | 北京工业大学 | 一种基于零空间微分算子和盲源分离的轴承复合故障诊断方法 |
CN104568444B (zh) * | 2015-01-28 | 2017-02-22 | 北京邮电大学 | 变转速火车滚动轴承故障特征频率提取方法 |
CN106203359A (zh) * | 2016-07-15 | 2016-12-07 | 重庆邮电大学 | 基于小波包分析和k邻近算法的内燃机故障诊断方法 |
CN106444724A (zh) * | 2016-11-25 | 2017-02-22 | 梧州市金正原电子科技有限公司 | 一种车辆智能诊断方法 |
CN207037457U (zh) * | 2017-07-25 | 2018-02-23 | 安徽省爱夫卡电子科技有限公司 | 一种汽车故障诊断数据的远程在线采样系统 |
-
2018
- 2018-03-26 CN CN201810251573.XA patent/CN108445868B/zh active Active
Non-Patent Citations (2)
Title |
---|
Rolling Bearing Fault Diagnosis Based on STFT-Deep Learning and Sound Signals;Liu, Hongmei, Lianfeng,等;《 Shock and vibration》;20161231;全文 * |
The envelope order spectrum based on generalized demodulation time–frequency analysis and its application to gear fault diagnosis;Cheng J , Yang Y , Yu D;《Mechanical Systems & Signal Processing》;20101231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108445868A (zh) | 2018-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108445868B (zh) | 一种基于现代信号处理技术的汽车智能故障诊断系统及方法 | |
CN110161343B (zh) | 一种智能列车外部受电装置的非侵入式实时动态监测方法 | |
CN109213121B (zh) | 一种风机制动系统卡缸故障诊断方法 | |
CN111582320B (zh) | 一种基于半监督学习的动态个体识别方法 | |
CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
CN113609955A (zh) | 一种基于深度学习和数字孪生的三相逆变器参数辨识方法和系统 | |
CN110163075A (zh) | 一种基于权值训练的多信息融合故障诊断方法 | |
CN113188807B (zh) | 一种abs结果自动判定算法 | |
CN114926825A (zh) | 一种基于时空特征融合的车辆驾驶行为检测方法 | |
CN111795819B (zh) | 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法 | |
CN117076955A (zh) | 一种高压变频器的故障检测方法及系统 | |
Zhao et al. | A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition | |
CN115758082A (zh) | 一种轨道交通变压器故障诊断方法 | |
CN116776075A (zh) | 风机叶片健康监测系统及其监测方法 | |
CN110533115B (zh) | 基于变分模态分解的轨道电路传输特性定量评价方法 | |
CN115758083A (zh) | 一种基于时域和时频域融合的电机轴承故障诊断方法 | |
Desmet et al. | Leak detection in compressed air systems using unsupervised anomaly detection techniques | |
CN114330430A (zh) | 一种基于大数据特征分析的电梯故障判断方法及系统 | |
CN110555457A (zh) | 发动机润滑油磨损信号特征处理系统及方法 | |
CN116792264A (zh) | 一种基于gru的风力发电机多故障诊断方法 | |
Bulla et al. | Feature extraction analysis using filter banks for faults classification in induction motors | |
CN116127297A (zh) | 机电设备故障诊断方法和系统 | |
CN113719499B (zh) | 一种电液伺服阀智能故障诊断方法 | |
CN112414446B (zh) | 一种数据驱动的变速器传感器故障诊断方法 | |
CN115291103A (zh) | 基于嵌入hd-rcf的gr-swpt小波包算法的电动机故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |