CN110196365A - 一种车辆电驱动系统故障诊断方法 - Google Patents

一种车辆电驱动系统故障诊断方法 Download PDF

Info

Publication number
CN110196365A
CN110196365A CN201910469147.8A CN201910469147A CN110196365A CN 110196365 A CN110196365 A CN 110196365A CN 201910469147 A CN201910469147 A CN 201910469147A CN 110196365 A CN110196365 A CN 110196365A
Authority
CN
China
Prior art keywords
fault
diagnostic
model
drive system
power drive
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
Application number
CN201910469147.8A
Other languages
English (en)
Inventor
柳炽伟
孙文中
景玉军
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.)
Zhongshan Polytechnic
Original Assignee
Zhongshan Polytechnic
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 Zhongshan Polytechnic filed Critical Zhongshan Polytechnic
Priority to CN201910469147.8A priority Critical patent/CN110196365A/zh
Publication of CN110196365A publication Critical patent/CN110196365A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G01M13/021—Gearings
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/005—Testing of electric installations on transport means
    • G01R31/006—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks
    • G01R31/007—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks using microprocessors or computers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及汽车故障诊断技术领域，尤其是指一种车辆电驱动系统故障诊断方法，通过车辆OBD诊断接口，读取车辆整车控制单元、电机控制单元、电池控制单元的故障码及CAN总线传输的数据，将读取到的数据传输至系统数据处理模块；通过外接传感器和信号采集装置，采集驱动电机的表征信号输入至系统数据处理模块；系统数据处理模块对信号进行分类处理，分别进行故障特征值提取，并进行归一化；不同的故障特征值数据被输入到故障诊断模块中相对独立的各个子神经网络故障诊断模型进行计算；子神经网络故障诊断模型由径向基函数神经网络模型或由其与故障树层次分析法模型组成。本发明能够快速定位故障点及故障原因，减少人工检测的工作和安全风险。

Description

一种车辆电驱动系统故障诊断方法
技术领域
本发明涉及汽车故障诊断技术领域，尤其是指一种车辆电驱动系统故障诊断方法。
背景技术
新能源汽车采用的动力电源电压大多在300V以上，对车辆使用的安全性提出更高的要求，需要维护部门具备较强的电动汽车故障检测与诊断技术。现在汽车的电控系统维修依靠自诊断系统的故障码指引，故障码往往只提示某控制单元接收或输出的信号异常，超出阈值范围，具体故障的部位和原因需由维修人员进行检测和数据分析，对维修人员的技术能力要求较高。同时新能源汽车动力电源和电驱动系统，结构布置更紧凑，常常三合一或四合一将多个高压子系统组件封装在一密封箱内，从安全性和结构上考虑均不利于维修人员依经验徒手检修。尤其对于一些综合故障或间歇性故障，难以模拟故障以及故障再现时进行实时检测。况且当前许多新能源汽车维修企业仍以传统汽车维修为主，对新能源汽车动力电源及电驱动系统维修技术仍在摸索过程中，使新能源汽车电驱动系统的故障诊断维修的效率较低，影响了企业效益和生产的安全性。
发明内容
本发明针对现有技术的问题提供一种车辆电驱动系统故障诊断方法，能够快速定位故障点及故障原因，减少人工检测的工作量和安全风险。
为了解决上述技术问题，本发明采用如下技术方案：
本发明提供的一种车辆电驱动系统故障诊断方法，通过车辆OBD诊断接口，读取车辆整车控制单元、电机控制单元、电池控制单元的故障码及CAN总线传输的数据，将读取到的数据传输至系统数据处理模块；
通过外接传感器和信号采集装置，采集驱动电机的表征信号输入至系统数据处理模块；
系统数据处理模块对信号进行分类处理，分别进行故障特征值提取，并进行归一化；
不同的故障特征值数据被输入到故障诊断模块中相对独立的各个子神经网络故障诊断模型进行计算；子神经网络故障诊断模型由径向基函数神经网络模型或由其与故障树层次分析法模型组成；由两个模型组合的诊断模块，须先进行两个模型输出结果的决策层融合，再输出结果。
其中，读取车辆存贮的诊断信息，针对目标故障的诊断反馈，其诊断反馈的触发方式采用分步指引触发或者一键式触发。
其中，外接传感器和信号输入装置是可选模式，针对电机及变速箱总成故障的采用一键式触发诊断模式；数据采集是在要求的条件下进行，基于车辆以特定行驶速度和路况或车辆驱动系统空转运行的实时数据。
其中，车内电控单元传输的参数信号，以幅值特征进行处理；外接传感器信号以小波变换进行故障特征值处理；
故障特征值与车辆电驱动系统预定的故障编码对应，输入RBF神经网络模型进行训练后，才能实施诊断和输出；训练样本可以是预先存储的故障样本库中的数据；所述样本库是根据人为经验验证过的汽车故障诊断知识建立的；未预先训练的诊断模型，设定训练精度阈值，当训练输出精度低于阈值时，诊断结果输出为本子模型输入参数关联的实时故障码，无故障码时输出“不确定”。
其中，诊断模块中至少包括一个驱动电机总成或包括变速箱总成的诊断模块，是由RBF神经网络模型及故障树层次分析模型组成，它们的输出结果通过证据理论合成规则进行决策级融合。
其中，当诊断模块输出结果不止一个时，各输出结果按预先设定的权重排序输出；进一步地，由诊断人员按键触发，系统提供产生式规则进行匹配，输出最终诊断结论。
其中，故障树层次分析模型相关参数可以是预先存储的默认值，由诊断专家依据数据经验在对模型所述命题发生率权重值两两比较后输入；子模型输出为该子模型所述命题的可信度概率值；诊断人员可现场维护和调整该模型参数并可恢复默认值。
其中，由RBF神经网络故障诊断模型与故障树层次分析模型组成的子诊断模块，其数据融合结果中，判定的命题应具有最大的信度函数值，并要大于某一预设阈值；判定的命题和其它类型命题的信度函数值之差要大于某一设定门限，阈值和门限值均可由诊断人员视情维护调整并恢复默认值。
本发明的有益效果：
本发明通过采集车辆运行的相关传感器参数，经过处理后获取其故障特征值，输入对应的模块化的RBF神经网络诊断模型，能输出故障部位与原因，实现故障定位；对于驱动电机及变速器总成，利用RBF神经网络故障诊断模型与基于故障树的层次分析法模型的组合，通过它们各自输出结果的决策层融合，在不需加速度振动传感器条件下实现电机及其变速箱总成机械故障的诊断，可避免其对相电流产生干扰造成的RBF神经网络诊断模型的误判；且利用定性定量结合的层次分析法模型，能较好地避免了证据冲突导致的信息融合悖论；系统最后通过诊断模块输出结果与产生式规则的混合决策，缩小了综合故障的决策范围，还起到专家系统的故障处理反馈的指导作用，避免多故障原因的系统级复合故障的漏判误判。
附图说明
图1是诊断系统结构框图。
图2是系统诊断流程图。
具体实施方式
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。以下结合附图对本发明进行详细的描述。
一种车辆电驱动系统故障诊断方法，如图1至图2所示，通过车辆OBD诊断接口，读取车辆整车控制单元、电机控制单元、电池控制单元的故障码及CAN总线传输的数据，将读取到的数据传输至系统数据处理模块；
通过外接传感器和信号采集装置，采集驱动电机的表征信号输入至系统数据处理模块；
系统数据处理模块对信号进行分类处理，分别进行故障特征值提取，并进行归一化；
不同的故障特征值数据被输入到故障诊断模块中相对独立的各个子神经网络故障诊断模型进行计算；子神经网络故障诊断模型由径向基函数神经网络模型或由其与故障树层次分析法模型组成；由两个模型组合的诊断模块，须先进行两个模型输出结果的决策层融合，再输出结果。
从汽车维修需求角度对电驱动系统加速无力、能耗高的故障进行故障树分析，得到主要故障原因有电源输入电压过低、电机逆变器异常、电机及逆变器温度过高、驱动电机定子绕组短路或断路、永磁体退磁、转子偏心变形、电机轴承损坏、变速箱卡滞或损坏等。其中电源电压、逆变器IGBT异常、电机及逆变器温度过高等可通过系统诊断模块中电源及逆变器RBF神经网络诊断模型和散热系统RBF神经网络诊断模型进行诊断。
电机电磁方面故障原因可通过同步电机及变速器RBF神经网络诊断模型辨识输出；当要确认驱动电机总成内部故障点时，需在驱动电机输入相线外接传感器采集电流信号。同步驱动电机的诊断可先提取定子电流的基波分量的幅值，再通过小波变换提取特征向量。
在系统未获得充足的各种实际故障特征数据时，可先利用搭建的永磁同步电机仿真模型，提取主要故障的特征参数来进行RBF神经网络的训练，然后通过实验验证；主要方法是将仿真时分别将正常时和发生故障时采集到的个电流基波分量采样点存为单独的数组，应用小波分析工具对各组信号进行5层小波分解，小波基函数选用db6。再将5组高频系数分别进行重构得出5组数组，取出每组数据最具代表性的第一个数便形成了一组故障特征向量；在输入诊断模型前，应将训练样本数据进行归一化处理。
本发明通过上述步骤，将同步电机相电流故障特征样本数据输入电机RBF神经网络故障模型进行训练和测试，输出测试结果见表1；结果显示该RBF神经网络诊断模型只需9步即达到目标误差值。
表1 RBFNN模型测试结果
上述电机及变速箱的神经网络诊断模型和层次分析法模型得到相关测试数据如表2所示，其中m1是模拟电机机械振动故障，通过同步电机RBF神经网络诊断模型得到的故障模式输出。m2是层次分析法得到的各故障模式的信度函数，包括转子、轴承等机械故障模式A4。
考虑基于D-S证据理论的故障决策遵循的规则：判定故障原因应具有最大的信度函数值，并要大于某一阈值，此处取0.30；判定故障原因和其它类型的信度函数值之差要大于某一门限，此处可取0.10。在m1中，因为原同步电机RBFNN没有直接输出机械故障信度函数值，为避免证据高度冲突产生决策融合悖论，当A1-A3的信任度值均低于某一域值时(此处设为0.30)，可设定m1的A4信度函数值为0.3。
设识别框架Ω＝{A1,A2,…,AN}，N为焦元的个数：有n个证据进行组合，证据集E＝{E1,E2,…,En}，各证据对应的基本信任分配函数为m1，m2，…，mn，mi分配给Ω中焦元基本可信度mi(Aj)，则合成证据的Dempster规则为
式中k是冲突系数，表示某个证据与证据集中的其他证据的冲突程度。
一般而言，某证据K较大时，表明该证据存在某种程度的奇异，对最终合成结果的影响较大，其可信度应较低；反之，该证据对最终合成结果影响较小。
同理可计算出其它焦元的融合后信度值，结果见表2中m12。
表2诊断融合结果
由表2可见，经过D-S规则融合计算后输出的电机故障原因是机械故障A4，其信度函数值最大，且高于判定阈值。冲突系数K为0.5110，表明证据1和证据2的冲突程度不高，引起冲突悖论机会少，结果可信度较高。原电机RBF神经网络诊断模型计算结果m1中，虽然A3信度值较高，但未达到阈值，所以输出为不确定，与层次模型输出结果融合后，输出结果为A4机械故障，与所设故障原因吻合，避免了原RBF神经网络诊断框模型输出A3这一错误结论。
在整个电驱动系统的故障诊断层面，就某一故障现象而言，有可能一个或数个子系统RBF神经网络模块都输出故障原因，此时根据各个RBFNN的输出结果，利用专家系统的产生式规则进行匹配，根据规则对各故障原因进行权值排序和判定，最后输出诊断结果，这样可大大提高专家系统的推理机的正反向推理速度和输出结果的精度。
本实施例所述的一种车辆电驱动系统故障诊断方法，读取车辆存贮的诊断信息，针对目标故障的诊断反馈，其诊断反馈的触发方式采用分步指引触发或者一键式触发。具体地，分步指引触发以车内控制单元存贮故障码为依据，按专家系统产生式规则进行诊断指引；一键式触发智能诊断，以采集车辆主要传感器实时参数为输入，通过所述诊断系统的诊断模块完成完整的诊断决策并输出。
本实施例所述的一种车辆电驱动系统故障诊断方法，外接传感器和信号输入装置是可选模式，针对电机及变速箱总成故障的采用一键式触发诊断模式；数据采集是在要求的条件下进行，基于车辆以特定行驶速度和路况或车辆驱动系统空转运行的实时数据。
本实施例所述的一种车辆电驱动系统故障诊断方法，车内电控单元传输的参数信号，以幅值特征进行处理；外接传感器信号以小波变换进行故障特征值处理；
故障特征值与车辆电驱动系统预定的故障编码对应，输入RBF神经网络模型进行训练后，才能实施诊断和输出；训练样本可以是预先存储的故障样本库中的数据；所述样本库是根据人为经验验证过的汽车故障诊断知识建立的；未预先训练的诊断模型，设定训练精度阈值，当训练输出精度低于阈值时，诊断结果输出为本子模型输入参数关联的实时故障码，无故障码时输出“不确定”。
本实施例所述的一种车辆电驱动系统故障诊断方法，诊断模块中至少包括一个驱动电机总成或包括变速箱总成的诊断模块，是由RBF神经网络模型及故障树层次分析模型组成，它们的输出结果通过证据理论合成规则进行决策级融合。
本实施例所述的一种车辆电驱动系统故障诊断方法，当诊断模块输出结果不止一个时，各输出结果按预先设定的权重排序输出；进一步地，由诊断人员按键触发，系统提供产生式规则进行匹配，输出最终诊断结论。
本实施例所述的一种车辆电驱动系统故障诊断方法，故障树层次分析模型相关参数可以是预先存储的默认值，由诊断专家依据数据经验在对模型所述命题发生率权重值两两比较后输入；子模型输出为该子模型所述命题的可信度概率值；诊断人员可现场维护和调整该模型参数并可恢复默认值。
本实施例所述的一种车辆电驱动系统故障诊断方法，由RBF神经网络故障诊断模型与故障树层次分析模型组成的子诊断模块，其数据融合结果中，判定的命题应具有最大的信度函数值，并要大于某一预设阈值；判定的命题和其它类型命题的信度函数值之差要大于某一设定门限，阈值和门限值均可由诊断人员视情维护调整并恢复默认值。
本实施例还提供一种计算机可读存取介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序包含程序指令；所述程序指令被诊断系统处理器执行时，使处理器执行所述的一种车辆电驱动系统故障诊断方法。
以上所述，仅是本发明较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明以较佳实施例公开如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当利用上述揭示的技术内容作出些许变更或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明技术是指对以上实施例所作的任何简单修改、等同变化与修饰，均属于本发明技术方案的范围内。

Claims (8)

1.一种车辆电驱动系统故障诊断方法，其特征在于：通过车辆OBD诊断接口，读取车辆整车控制单元、电机控制单元、电池控制单元的故障码及CAN总线传输的数据，将读取到的数据传输至系统数据处理模块；
通过外接传感器和信号采集装置，采集驱动电机的表征信号输入至系统数据处理模块；
系统数据处理模块对信号进行分类处理，分别进行故障特征值提取，并进行归一化；
不同的故障特征值数据被输入到故障诊断模块中相对独立的各个子神经网络故障诊断模型进行计算；子神经网络故障诊断模型由径向基函数神经网络模型或由其与故障树层次分析法模型组成；由两个模型组合的诊断模块，须先进行两个模型输出结果的决策层融合，再输出结果。
2.根据权利要求1所述的一种车辆电驱动系统故障诊断方法，其特征在于：读取车辆存贮的诊断信息，针对目标故障的诊断反馈，其诊断反馈的触发方式采用分步指引触发或者一键式触发。
3.根据权利要求2所述的一种车辆电驱动系统故障诊断方法，其特征在于：外接传感器和信号输入装置是可选模式，针对电机及变速箱总成故障的采用一键式触发诊断模式；数据采集是在要求的条件下进行，基于车辆以特定行驶速度和路况或车辆驱动系统空转运行的实时数据。
4.根据权利要求1所述的一种车辆电驱动系统故障诊断方法，其特征在于：车内电控单元传输的参数信号，以幅值特征进行处理；外接传感器信号以小波变换进行故障特征值处理；
故障特征值与车辆电驱动系统预定的故障编码对应，输入RBF神经网络模型进行训练后，才能实施诊断和输出；训练样本可以是预先存储的故障样本库中的数据；所述样本库是根据人为经验验证过的汽车故障诊断知识建立的；未预先训练的诊断模型，设定训练精度阈值，当训练输出精度低于阈值时，诊断结果输出为本子模型输入参数关联的实时故障码，无故障码时输出“不确定”。
5.根据权利要求1所述的一种车辆电驱动系统故障诊断方法，其特征在于：诊断模块中至少包括一个驱动电机总成或包括变速箱总成的诊断模块，是由RBF神经网络模型及故障树层次分析模型组成，它们的输出结果通过证据理论合成规则进行决策级融合。
6.根据权利要求1所述的一种车辆电驱动系统故障诊断方法，其特征在于：当诊断模块输出结果不止一个时，各输出结果按预先设定的权重排序输出；进一步地，由诊断人员按键触发，系统提供产生式规则进行匹配，输出最终诊断结论。
7.根据权利要求5所述的一种车辆电驱动系统故障诊断方法，其特征在于：故障树层次分析模型相关参数可以是预先存储的默认值，由诊断专家依据数据经验在对模型所述命题发生率权重值两两比较后输入；子模型输出为该子模型所述命题的可信度概率值；诊断人员可现场维护和调整该模型参数并可恢复默认值。
8.根据权利要求5所述的一种车辆电驱动系统故障诊断方法，其特征在于：由RBF神经网络故障诊断模型与故障树层次分析模型组成的子诊断模块，其数据融合结果中，判定的命题应具有最大的信度函数值，并要大于某一预设阈值；判定的命题和其它类型命题的信度函数值之差要大于某一设定门限，阈值和门限值均可由诊断人员视情维护调整并恢复默认值。
CN201910469147.8A 2019-05-31 2019-05-31 一种车辆电驱动系统故障诊断方法 Pending CN110196365A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910469147.8A CN110196365A (zh) 2019-05-31 2019-05-31 一种车辆电驱动系统故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910469147.8A CN110196365A (zh) 2019-05-31 2019-05-31 一种车辆电驱动系统故障诊断方法

Publications (1)

Publication Number Publication Date
CN110196365A true CN110196365A (zh) 2019-09-03

Family

ID=67753585

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910469147.8A Pending CN110196365A (zh) 2019-05-31 2019-05-31 一种车辆电驱动系统故障诊断方法

Country Status (1)

Country Link
CN (1) CN110196365A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110646746A (zh) * 2019-09-29 2020-01-03 安徽江淮汽车集团股份有限公司 电源驱动故障测试系统及方法
CN111483469A (zh) * 2020-04-27 2020-08-04 湖南大学 一种用于电动汽车整车控制器故障诊断的分析与测试方法
CN111795835A (zh) * 2020-06-30 2020-10-20 北京汽车研究总院有限公司 车辆的监测方法、装置及车载设备
CN112677147A (zh) * 2019-10-18 2021-04-20 株式会社安川电机 事件估计系统和事件估计方法
CN113204227A (zh) * 2021-04-26 2021-08-03 江苏徐工工程机械研究院有限公司 一种分层式模块化工程机械机云协同故障诊断系统及方法
CN113542085A (zh) * 2021-06-28 2021-10-22 杭州富特科技股份有限公司 一种用于车载电源快速故障保护诊断的方法
WO2021223522A1 (zh) * 2020-10-10 2021-11-11 上海星融汽车科技有限公司 车辆智能诊断方法、系统及诊断设备
CN113771631A (zh) * 2021-09-28 2021-12-10 南京禄协信息科技有限公司 一种基于人工智能算法的电驱动故障诊断系统
CN115514590A (zh) * 2021-06-03 2022-12-23 台达电子工业股份有限公司 电动载具部件、电动载具数据收集系统及电动载具数据收集方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102200487A (zh) * 2010-03-24 2011-09-28 通用汽车环球科技运作有限责任公司 用于机动车系统的事件驱动故障诊断架构
CN103147972A (zh) * 2013-03-19 2013-06-12 北京化工大学 一种基于多传感器信息融合的往复式压缩机故障诊断方法
CN103592937A (zh) * 2013-11-18 2014-02-19 柳州美源科技有限公司 一种车身控制模块的故障检测系统
CN106066454A (zh) * 2016-06-20 2016-11-02 成都雅骏新能源汽车科技股份有限公司 一种基于云计算的电动汽车永磁同步电机故障诊断系统及其故障诊断方法
CN107433881A (zh) * 2016-11-23 2017-12-05 北京新能源汽车股份有限公司 一种车辆电机冷却系统故障的控制方法及装置
CN107599890A (zh) * 2017-08-30 2018-01-19 北京新能源汽车股份有限公司 一种电动汽车驱动电机的温度控制方法、装置及电动汽车

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102200487A (zh) * 2010-03-24 2011-09-28 通用汽车环球科技运作有限责任公司 用于机动车系统的事件驱动故障诊断架构
CN103147972A (zh) * 2013-03-19 2013-06-12 北京化工大学 一种基于多传感器信息融合的往复式压缩机故障诊断方法
CN103592937A (zh) * 2013-11-18 2014-02-19 柳州美源科技有限公司 一种车身控制模块的故障检测系统
CN106066454A (zh) * 2016-06-20 2016-11-02 成都雅骏新能源汽车科技股份有限公司 一种基于云计算的电动汽车永磁同步电机故障诊断系统及其故障诊断方法
CN107433881A (zh) * 2016-11-23 2017-12-05 北京新能源汽车股份有限公司 一种车辆电机冷却系统故障的控制方法及装置
CN107599890A (zh) * 2017-08-30 2018-01-19 北京新能源汽车股份有限公司 一种电动汽车驱动电机的温度控制方法、装置及电动汽车

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
曹恺: "轻型汽油车远程监测及故障诊断技术研究", 《中国博士学位论文全文数据库 工程科技II辑》 *
柳炽伟等: "基于故障树的DCT故障诊断专家系统的研究", 《机床与液压》 *
柳炽伟等: "汽油直接喷射系统故障因素发生率求权与分析", 《重庆交通大学学报（自然科学版）》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110646746A (zh) * 2019-09-29 2020-01-03 安徽江淮汽车集团股份有限公司 电源驱动故障测试系统及方法
CN112677147A (zh) * 2019-10-18 2021-04-20 株式会社安川电机 事件估计系统和事件估计方法
CN111483469A (zh) * 2020-04-27 2020-08-04 湖南大学 一种用于电动汽车整车控制器故障诊断的分析与测试方法
CN111483469B (zh) * 2020-04-27 2021-08-03 湖南大学 一种用于电动汽车整车控制器故障诊断的分析与测试方法
WO2021218277A1 (zh) * 2020-04-27 2021-11-04 湖南大学 一种用于电动汽车整车控制器故障诊断的分析与测试方法
CN111795835A (zh) * 2020-06-30 2020-10-20 北京汽车研究总院有限公司 车辆的监测方法、装置及车载设备
WO2021223522A1 (zh) * 2020-10-10 2021-11-11 上海星融汽车科技有限公司 车辆智能诊断方法、系统及诊断设备
CN113204227A (zh) * 2021-04-26 2021-08-03 江苏徐工工程机械研究院有限公司 一种分层式模块化工程机械机云协同故障诊断系统及方法
CN113204227B (zh) * 2021-04-26 2023-04-18 江苏徐工工程机械研究院有限公司 一种分层式模块化工程机械机云协同故障诊断系统及方法
CN115514590A (zh) * 2021-06-03 2022-12-23 台达电子工业股份有限公司 电动载具部件、电动载具数据收集系统及电动载具数据收集方法
CN115514590B (zh) * 2021-06-03 2024-01-05 台达电子工业股份有限公司 电动载具部件、电动载具数据收集系统及电动载具数据收集方法
CN113542085A (zh) * 2021-06-28 2021-10-22 杭州富特科技股份有限公司 一种用于车载电源快速故障保护诊断的方法
CN113542085B (zh) * 2021-06-28 2022-08-02 浙江富特科技股份有限公司 一种用于车载电源快速故障保护诊断的方法
CN113771631A (zh) * 2021-09-28 2021-12-10 南京禄协信息科技有限公司 一种基于人工智能算法的电驱动故障诊断系统

Similar Documents

Publication Publication Date Title
CN110196365A (zh) 一种车辆电驱动系统故障诊断方法
CN104791187B (zh) 能实现健康状态预测的水轮机调节系统及方法
CN106662072B (zh) 风力发电机状态监控方法与系统
CN110766277B (zh) 用于核工业现场的健康评估及诊断系统和移动终端
CN108363382B (zh) 一种复杂装备故障诊断方法及系统
CN108051211B (zh) 一种风电机组主轴承温度预警诊断方法
CN110224160B (zh) 一种燃料电池系统故障诊断方法
Xue et al. A fuzzy system of operation safety assessment using multimodel linkage and multistage collaboration for in-wheel motor
CN102521613B (zh) 一种汽车电子系统的故障诊断方法
CN103597417B (zh) 状态监测方法及装置
CN112373352B (zh) 一种燃料电池系统故障诊断及容错控制方法
US6240343B1 (en) Apparatus and method for diagnosing an engine using computer based models in combination with a neural network
CN108376298A (zh) 一种风电机组发电机温度故障预警诊断方法
CN110531266A (zh) 一种同步电机励磁绕组匝间短路故障预警方法
CN113339204B (zh) 一种基于混合神经网络的风力发电机故障识别方法
CN105846780A (zh) 一种基于决策树模型的光伏组件故障诊断方法
CN109297689A (zh) 一种引入权重因子的大型水力机械智能诊断方法
CN105487530B (zh) 柴油机排温低故障预测系统及方法
CN102944416A (zh) 基于多传感器信号融合技术的风电机组叶片故障诊断方法
CN110163075A (zh) 一种基于权值训练的多信息融合故障诊断方法
CN110879586A (zh) 一种调相机故障诊断和状态监测方法和系统
CN105978487A (zh) 基于内部等效参数的光伏组件故障诊断方法
CN106151170A (zh) 一种液压系统的故障诊断方法、装置及翻车机
CN105954616A (zh) 基于外特性电气参数的光伏组件故障诊断方法
Gongora et al. Neural approach for bearing fault detection in three phase induction motors

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190903