CN110501169A - 车辆故障的诊断方法、装置及电子设备 - Google Patents
车辆故障的诊断方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110501169A CN110501169A CN201910795136.9A CN201910795136A CN110501169A CN 110501169 A CN110501169 A CN 110501169A CN 201910795136 A CN201910795136 A CN 201910795136A CN 110501169 A CN110501169 A CN 110501169A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- multiple sensors
- signal
- wavelet
- 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
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
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
Abstract
本申请提供了一种车辆故障的诊断方法、装置及电子设备,车辆上安装有AMT系统,获取AMT系统中的多种传感器信号;如果多种传感器信号及其变化率均没有超过对应的第一预设阈值,对多种传感器信号进行数据处理和小波分解,得到多种传感器信号对应的小波系数;如果至少有一个小波系数的变化幅值大于其对应的第二预设阈值,基于数据处理后的二维数据矩阵和小波分解后进行数据重构得到的小波重构矩阵,计算各种传感器信号对SPE统计量的贡献度;第二预设阈值为基于正常历史行驶数据进行多尺度主元分析得到的;基于上述贡献度,确定车辆的故障原因,本申请能够通过多尺度主元分析法实现车辆故障的诊断,得到车辆故障的原因。
Description
技术领域
本申请涉及故障诊断技术领域,尤其是涉及一种车辆故障的诊断方法、装置及电子设备。
背景技术
随着AMT(Automatic Mechanical Transmission,机械式自动变速器)技术的快速发展和应用,以及新能源汽车的快速发展,在新能源汽车领域采用AMT技术已成为一种趋势。AMT技术以TCU(Transmission Control Unit,自动变速箱控制单元)为运算和控制核心,模拟优秀驾驶员的操控动作,控制变速器、离合器及发动机转速/扭矩,自动完成档位切换、离合器的分离与接合,从而实现车辆的自动变速操控功能。通过控制软件的优化,可以保证车辆起步过程迅速平稳、换挡快捷且冲击小。AMT既保留了MT传动效率高、机械结构简单、工作可靠、制造和维护成本低的特点,同时又具有自动变速的优点。因此,近年来,AMT的应用也日益广泛。
然而,相对于较为成熟的AMT系统控制策略,AMT系统实时故障检测和诊断技术研究基础薄弱,仍然停留在科研探索阶段,缺乏有效地实车故障的系统验证,与实际应用需求相差甚远。
发明内容
本申请的目的在于提供一种车辆故障的诊断方法、装置及电子设备,能够通过多尺度主元分析法实现车辆故障的检测和诊断,得到车辆故障的原因。
本申请实施例提供一种车辆故障的诊断方法,车辆上安装有AMT系统,方法包括:
获取AMT系统中的多种传感器信号;
如果多种传感器信号及其变化率均没有超过对应的第一预设阈值,对多种传感器信号组成的二维数据矩阵进行数据处理和小波分解,得到多种传感器信号对应的小波系数;
如果多种传感器信号对应的小波系数中,至少有一个小波系数的变化幅值大于其对应的第二预设阈值,基于数据处理后的二维数据矩阵和小波分解后进行数据重构得到的小波重构矩阵,计算各种传感器信号对SPE统计量的贡献度;第二预设阈值为基于正常历史行驶数据进行多尺度主元分析得到的;
基于各种传感器信号对SPE统计量的贡献度,确定车辆的故障原因。
进一步的,上述方法还包括:
如果多种传感器信号中,有至少一种传感器信号或者传感器信号的变化率超过其对应的第一预设阈值,确定车辆发生故障;
将超过第一预设阈值的传感器信号,作为车辆的故障原因。
进一步的,上述基于各种传感器信号对SPE统计量的贡献度,确定车辆的故障原因的步骤,包括:
按照贡献度大小,对各种传感器信号对SPE统计量的贡献度进行排序;
将排序满足预设条件的贡献度对应的传感器信号作为车辆的故障原因。
进一步的,上述第二预设阈值的确定过程如下:
获取车辆的正常历史行驶数据;正常历史行驶数据包括:车辆正常行驶状态下,AMT系统中的多种传感器在多次工况下进行多次采样得到的传感器信号;
对正常历史行驶数据进行数据预处理操作,得到二维建模数据;其中,数据预处理操作包括:构造三维数据矩阵、三维转二维处理、数据划分处理、均值处理和归一化处理;
基于二维建模数据,建立多尺度主元分析模型;
确定多尺度主元分析模型对应的阈值,作为第二预设阈值。
进一步的,上述对正常历史行驶数据进行数据预处理操作,得到二维建模数据的步骤,包括:
基于正常历史行驶数据,构造三维数据矩阵;
对三维数据矩阵进行三维转二维处理,得到二维数据矩阵;
对二维数据矩阵进行数据划分处理得到多个二维数据子空间;
对每个二维数据子空间进行均值处理和归一化处理,得到二维建模数据。
进一步的,上述基于二维建模数据,建立多尺度主元分析模型的步骤,包括:
通过离散小波变换对二维建模数据中各个传感器信号进行多尺度分解,得到各尺度细节和逼近对应的小波系数;
基于各尺度细节和逼近对应的小波系数,分别建立主成分分析模型,得到多尺度主元分析模型。
进一步的,上述确定多尺度主元分析模型对应的阈值的步骤,包括:
根据各尺度细节和逼近对应的主成分分析模型,计算各尺度细节对应的统计指标;
将超过尺度阈值的统计指标对应的尺度确定为含有重要信息的尺度细节;
利用含有重要信息的尺度细节重构原始数据,得到包含确定性分量的变量数据矩阵;
利用多尺度主元分析法对重构的变量数据矩阵进行建模,计算统计指标的统计量及其对应的阈值,作为多尺度主元分析模型对应的阈值。
本申请实施例还提供一种车辆故障的诊断装置,车辆上安装有AMT系统,装置包括:
信号获取模块,用于获取AMT系统中的多种传感器信号;
小波分解模块,用于如果多种传感器信号均没有超过其对应的第一预设阈值,对多种传感器信号组成的二维数据矩阵进行数据处理和小波分解,得到多种传感器信号对应的小波系数;
贡献度计算模块,用于如果多种传感器信号对应的小波系数中,至少有一个小波系数大于其对应的第二预设阈值,基于数据处理后的二维数据矩阵和小波分解后进行数据重构得到的小波重构矩阵,计算各种传感器信号对SPE统计量的贡献度;第二预设阈值为基于正常历史行驶数据进行多尺度主元分析得到的;
故障诊断模块,用于基于各种传感器信号对SPE统计量的贡献度,确定车辆的故障原因。
本申请实施例还提供一种电子设备,包括处理器和存储器,存储器存储有能够被处理器执行的计算机可执行指令,处理器执行计算机可执行指令以实现上述方法。
本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现上述方法。
本申请实施例提供的车辆故障的诊断方法、装置及电子设备,均可以实现以下过程:首先获取AMT系统中的多种传感器信号;在多种传感器信号及其变化率均没有超过对应的第一预设阈值时,对多种传感器信号组成的二维数据矩阵进行数据处理和小波分解,得到多种传感器信号对应的小波系数;在多种传感器信号对应的小波系数中,至少有一个小波系数的变化幅值大于其对应的第二预设阈值时,基于数据处理后的二维数据矩阵和小波分解后进行数据重构得到的小波重构矩阵,计算各种传感器信号对SPE统计量的贡献度;其中,第二预设阈值为基于正常历史行驶数据进行多尺度主元分析得到的;最后基于各种传感器信号对SPE统计量的贡献度,确定车辆的故障原因。本申请实施例通过上述多尺度主元分析法能够实现车辆故障的检测和诊断,得到车辆故障的原因。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种车辆故障的诊断方法的流程图;
图2为本申请实施例提供的另一种车辆故障的诊断方法的流程图;
图3为本申请实施例提供的另一种车辆故障的诊断方法的流程图;
图4为本申请实施例提供的另一种车辆故障的诊断方法的流程图;
图5为本申请实施例提供的一种车辆故障的诊断方法中数据预处理的示意图;
图6为本申请实施例提供的一种车辆故障的诊断方法中模型建立过程的示意图;
图7为本申请实施例提供的一种车辆故障的诊断装置的结构示意图;
图8为本申请实施例提供的另一种车辆故障的诊断装置的结构示意图;
图9为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合实施例对本申请的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
考虑到现有的AMT系统实时故障检测和诊断技术研究基础薄弱,仍然停留在科研探索阶段,缺乏有效地实车故障的系统验证,与实际应用需求相差甚远。基于此,本申请实施例提供一种车辆故障的诊断方法、装置及电子设备,能够通过多尺度主元分析法实现车辆故障的检测和诊断,得到车辆故障的原因。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种车辆故障的诊断方法进行详细介绍。
本申请实施例提供一种车辆故障的诊断方法,该方法适用于安装有AMT系统的任何车辆,不仅限于新能源汽车,参见图1所示,该方法可以包括以下步骤:
步骤S102,获取AMT系统中的多种传感器信号。
具体实施时,上述多种传感器信号包括发动机状态信号、选档位置信号、换挡位置信号、分动器高低档位信号、四驱位置信号、离合器位置信号和发动机转速信号中的多种。
步骤S104,如果多种传感器信号及其变化率均没有超过对应的第一预设阈值,对多种传感器信号组成的二维数据矩阵进行数据处理和小波分解,得到多种传感器信号对应的小波系数。
在服务器中,预先存储有各种传感器信号分别对应的信号阈值,以及各种传感器信号变化率分别对应的变化率阈值,这里的信号阈值和变化率阈值也就是上述所述的第一预设阈值。其中,信号阈值取决于系统硬件极限范围,变化率阈值取决于系统信号变化极限速率。在多种传感器信号中,如果多种传感器信号及其变化率均没有超过对应的第一预设阈值,那么需要进一步通过对上述各种传感器信号的分解来判断车辆是否发生故障。
以上述七种传感器信号为例进行说明,七种传感器信号可以组成一维列向量W7×1,在进行小波分解之前,加上测量时刻之前紧邻的15次测量数据组成W7×16(当测量点之前的数据不足15次时,空缺的数据用第一次的数据填补),再对上述二维数据矩阵W7×16进行数据处理,包括均值处理和归一化处理,得到然后对进行小波分解,得到每种传感器信号对应的小波系数。
步骤S106,如果多种传感器信号对应的小波系数中,至少有一个小波系数的变化幅值大于其对应的第二预设阈值,基于数据处理后的二维数据矩阵和小波分解后进行数据重构得到的小波重构矩阵,计算各种传感器信号对SPE(Squared Prediction Error,均方预测误差)统计量的贡献度;其中,第二预设阈值为基于正常历史行驶数据进行多尺度主元分析得到的。
如果多种传感器信号对应的小波系数中,至少有一个小波系数的变化幅值(即小波系数图中纵轴的变化幅度,最大值减去最小值)大于其对应的第二预设阈值,那么说明车辆可能存在故障,需要进一步分析发生故障的原因,这时,需要基于数据处理后的二维数据矩阵和小波分解后进行数据重构得到的小波重构矩阵,计算各种传感器信号对SPE统计量的贡献度,上述数据处理后的二维数据矩阵即为上述小波分解后进行数据重构得到的小波重构矩阵为具体的重构过程会在后续过程中进行详细说明。
上述基于数据处理后的二维数据矩阵和小波分解后进行数据重构得到的小波重构矩阵,计算各种传感器信号对SPE统计量的贡献度的计算公式为:
上述第二预设阈值为基于正常历史行驶数据进行多尺度主元分析得到的,可以是SPE统计量对应的阈值,或者也可以是Hotelling T2统计量对应的阈值。具体的实现过程在后续进行详细说明。
需要说明的是,计算各种传感器信号对SPE统计量的贡献度,优先选取贡献率大的尺度细节,并且使累积贡献率大于90%,也可以是85%等其它值,将选取的尺度细节作为含有重要信息的尺度细节。上述第二预设阈值略小于累积贡献率,当累积贡献率为90%时,第二预设阈值可以选择为85%。
步骤S108,基于各种传感器信号对SPE统计量的贡献度,确定车辆的故障原因。
在计算出各种传感器信号对SPE统计量的贡献度后,根据贡献度的大小进一步确定出车辆的故障原因,通常来说,信号对SPE统计量的贡献度越大,该信号越可能是直接导致车辆发生故障的原因,通过分析该信号的异常原因,可以进一步确定出故障位置。
本申请实施例提供的车辆故障的诊断方法中,首先获取AMT系统中的多种传感器信号;在多种传感器信号及其变化率均没有超过对应的第一预设阈值时,对多种传感器信号组成的二维数据矩阵进行数据处理和小波分解,得到多种传感器信号对应的小波系数;在多种传感器信号对应的小波系数中,至少有一个小波系数的变化幅值大于其对应的第二预设阈值时,基于数据处理后的二维数据矩阵和小波分解后进行数据重构得到的小波重构矩阵,计算各种传感器信号对SPE统计量的贡献度;其中,第二预设阈值为基于正常历史行驶数据进行多尺度主元分析得到的;最后基于各种传感器信号对SPE统计量的贡献度,确定车辆的故障原因。本申请实施例通过上述多尺度主元分析法能够实现车辆故障的检测和诊断,得到车辆故障的原因。
在上述步骤S102:获取AMT系统中的多种传感器信号之后,还包括车辆故障的快速检测方式,如图2所示,具体包括以下步骤:
步骤S202,如果多种传感器信号中,有至少一种传感器信号或者传感器信号的变化率超过其对应的第一预设阈值,确定车辆发生故障。
在获取到AMT系统中的多种传感器信号后,分别将每种传感器信号与其对应的信号阈值进行比较,同时将每种传感器信号的变化率与其对应的变化率阈值进行比较,有一项超过阈值,即说明车辆发生了明显的故障。
步骤S204:将超过第一预设阈值的传感器信号,作为车辆的故障原因。
然后进一步将超过阈值的传感器信号确定为车辆的故障原因,比如:发动机状态信号与选档位置信号的变化率这两项分别超过对应的阈值,那么就可以针对这两种传感器信号发生异常的原因进行分析,从而确定出车辆的故障位置。
作为一种优选的实施方式,上述基于各种传感器信号对SPE统计量的贡献度,确定车辆的故障原因的步骤,包括以下步骤,参见图3所示:
步骤S302,按照贡献度大小,对各种传感器信号对SPE统计量的贡献度进行排序。
步骤S304,将排序满足预设条件的贡献度对应的传感器信号作为车辆的故障原因。
上述预设条件可以为:贡献度排名靠前的指定个数,其中,指定个数可以根据实际情况确定,比如,可以为1个、2个或者多个,或者也可以根据贡献度超过预设贡献度阈值的个数来确定。预设贡献度阈值也可以根据实际情况进行不同的设定。通过将满足预设条件的贡献度对应的传感器信号作为车辆的故障原因,可以更加精确地分析出车辆发生故障的原因,以进一步确定发生故障的位置。
下面对上述第二预设阈值的确定过程进行详细说明,参见图4所示,具体包括以下步骤:
步骤S402,获取车辆的正常历史行驶数据。
上述正常历史行驶数据包括:车辆正常行驶状态下,AMT系统中的多种传感器在多次工况下进行多次采样得到的传感器信号。需要说明的是,这里的传感器信号种类与步骤S102中获取的传感器信号种类一致。
步骤S404,对正常历史行驶数据进行数据预处理操作,得到二维建模数据。
其中,数据预处理操作包括:构造三维数据矩阵、三维转二维处理、数据划分处理、均值处理和归一化处理。
具体的实现过程如下:
(1)基于正常历史行驶数据,构造三维数据矩阵。
在本实施例中,以发动机状态信号、选档位置信号、换挡位置信号、分动器高低档位信号、四驱位置信号、离合器位置信号和发动机转速信号七种传感器信号为例进行说明。在车辆正常行驶状态下,进行1000次相同工况的采样,每次工况采样次数为100,则形成三维数据矩阵W7×1000×100,参见图5所示。
(2)对三维数据矩阵进行三维转二维处理,得到二维数据矩阵。
对所述三维数据矩阵进行数据展开和截断,如对所述三维数据矩阵按照采样方向展开,即将各采样点上的数据按照采样先后顺序排开,得到二维数据矩阵W7×(1000·100),参见图5所示。
(3)对二维数据矩阵进行数据划分处理得到多个二维数据子空间。
对二维数据矩阵进行划分,即第一次选取第一次到第五次采样的数据,第二次选取第二次到第六次采样的数据,……第96次选取第96次到第100次采样的数据,得到96个数据子空间W7×(1000·5),参见图5所示。
(4)对每个二维数据子空间进行均值处理和归一化处理,得到二维建模数据。
对每个二维数据子空间W7×(1000·5)做均值处理,得到矩阵W7×1000,再对矩阵W7×1000做归一化处理,得到二维建模数据
对于每一个数据子空间的均值处理和归一化处理公式如下:
其中,Wi表示数据子空间内的第i次采样的数据;
其中,U1×1000表示数据矩阵的列均值向量;si对应着数据矩阵W7×1000第i列的标准差,经过归一化处理后得到新数据矩阵服从标准正态分布。
步骤S406,基于二维建模数据,建立多尺度主元分析模型。
具体的建模过程如下:
(1)通过离散小波变换对二维建模数据中各个传感器信号进行多尺度分解,得到各尺度细节和逼近对应的小波系数。即把信号分解为L个细节(details)和逼近(approximation)。
小波分解算法为:
公式(1)中,
公式(2)-(3)中,φ(t)为尺度函数,ψ(t)为母小波,上式中的系数可由C0递推得出,其中
Cj=HCj-1 (4)
Dj=GCj-1(j=1,2,…,L);其中,AL为逼近;Dj表示细节。
(2)基于各尺度细节和逼近对应的小波系数,分别建立主成分分析模型,得到多尺度主元分析模型。
步骤S408,确定多尺度主元分析模型对应的阈值,作为第二预设阈值。
上述确定多尺度主元分析模型对应的阈值的步骤,包括:
(1)根据各尺度细节和逼近对应的主成分分析模型,计算各尺度细节对应的统计指标。
上述统计指标包括:SPE和Hotelling T2两个统计量。
(2)将超过尺度阈值的统计指标对应的尺度确定为含有重要信息的尺度细节。
由SPE或者Hotelling T2是否超出自身控制限决定各个尺度是否含有重要信息,定义为γ遗忘因子,如果有重要信息,γ取1,否则γ取0。
每个尺度阈值被选择为其中δm是在尺度m误差的标准偏差,n是信号的长度(此处信号长度设定为16),δm的估计式为其中dmkω是小波系数。
(3)利用含有重要信息的尺度细节重构原始数据,得到包含确定性分量的变量数据矩阵。
通过含有重要信息的尺度细节,即利用γ取1的尺度细节重构原始数据,得到包含确定性分量的变量数据矩阵
(4)利用多尺度主元分析法对重构的变量数据矩阵进行建模,计算统计指标的统计量及其对应的阈值,作为多尺度主元分析模型对应的阈值。
用多尺度主元分析法对小波重构的变量数据矩阵进行建模,计算SPE和Hotelling T2统计量及相应的阈值。
比如,根据96个二维数据矩阵,小波分解、重构得到96个矩阵计算所有近似矩阵中各种信号的SPE统计量。
上述SPE(Q统计量)和Hotelling T2统计量的计算公式如下:
T2统计量的阈值为:
Tths=7.049F7,993,α
其中α=1-S,F7,993,α表示自由度为7,993的F分布。
Q统计量的阈值为:
其中cα是正态分布的值,
上述模型建立过程,可以参见图6所示。上述二维建模数据即图6中的二维数据矩阵;上述小波分解即为图6中的级小波分解;在L级小波分解后,得到G1X、G2X……GLX、HLX小波系数,然后分别基于G1X、G2X……GLX进行PCA建模,得到PCA1、PCA2……PCAL通过多个主成分分析模型,然后阈值处理过程和小波重构过程,针对小波重构的变量数据矩阵进行PCA建模后,确定出PCA模型的统计量及阈值。
本申请实施例提供的车辆故障的诊断方法,可以利用多尺度主元分析进行AMT新能源汽车实时故障检测和诊断,通过数据挖掘和分析AMT新能源汽车历史数据,利用小波分解得到各尺度的细节,阈值处理判断各尺度是否含有重要信息,使用重要尺度重构数据,建立单尺度的PCA模型,确定单尺度阈值。在测试过程中,将测试数据投影到单尺度PCA模型上,以此来检测是否存在故障。从残差序列SPE中找到超出阈值的信号,信号对应的位置就是发生故障可能性最大的部位。相较于传统的主元分析模型,多尺度主元分析模型准确率更高。
基于上述方法实施例,本申请实施例还提供一种车辆故障的诊断装置,该装置适用于安装有AMT系统的车辆,参见图7所示,该装置包括:信号获取模块702、小波分解模块704、贡献度计算模块706和故障诊断模块708。
其中,信号获取模块702,用于获取AMT系统中的多种传感器信号;小波分解模块704,用于如果多种传感器信号均没有超过其对应的第一预设阈值,对多种传感器信号组成的二维数据矩阵进行数据处理和小波分解,得到多种传感器信号对应的小波系数;贡献度计算模块706,用于如果多种传感器信号对应的小波系数中,至少有一个小波系数的变化幅值大于其对应的第二预设阈值,基于数据处理后的二维数据矩阵和小波分解后进行数据重构得到的小波重构矩阵,计算各种传感器信号对SPE统计量的贡献度;第二预设阈值为基于正常历史行驶数据进行多尺度主元分析得到的;故障诊断模块708,用于基于各种传感器信号对SPE统计量的贡献度,确定车辆的故障原因。
参见图8所示,为本申请实施例提供的另一种车辆故障的诊断装置,除了包括与上一实施例类似的信号获取模块802、小波分解模块804、贡献度计算模块806和故障诊断模块808外,还包括:故障确定模块810和阈值确定模块812。
上述故障确定模块810用于:如果多种传感器信号中,有至少一种传感器信号或者传感器信号的变化率超过其对应的第一预设阈值,确定车辆发生故障;并将超过第一预设阈值的传感器信号,作为车辆的故障原因。
进一步的,上述故障诊断模块808还用于:按照贡献度大小,对各种传感器信号对SPE统计量的贡献度进行排序;将排序满足预设条件的贡献度对应的传感器信号作为车辆的故障原因。
进一步的,上述阈值确定模块812还包括:数据获取模块8122、预处理模块8124、模型建立模块8126和阈值确定子模块8128。
其中,数据获取模块8122用于:获取车辆的正常历史行驶数据;正常历史行驶数据包括:车辆正常行驶状态下,AMT系统中的多种传感器在多次工况下进行多次采样得到的传感器信号;预处理模块8124用于:对正常历史行驶数据进行数据预处理操作,得到二维建模数据;其中,数据预处理操作包括:构造三维数据矩阵、三维转二维处理、数据划分处理、均值处理和归一化处理;模型建立模块8126,用于基于二维建模数据,建立多尺度主元分析模型;阈值确定子模块8128用于:确定多尺度主元分析模型对应的阈值,作为第二预设阈值。
进一步的,上述预处理模块8124还用于:基于正常历史行驶数据,构造三维数据矩阵;对三维数据矩阵进行三维转二维处理,得到二维数据矩阵;对二维数据矩阵进行数据划分处理得到多个二维数据子空间;对每个二维数据子空间进行均值处理和归一化处理,得到二维建模数据。
进一步的,上述模型建立模块8126还用于:通过离散小波变换对二维建模数据中各个传感器信号进行多尺度分解,得到各尺度细节和逼近对应的小波系数;基于各尺度细节和逼近对应的小波系数,分别建立主成分分析模型,得到多尺度主元分析模型。
进一步的,上述阈值确定子模块8128还用于:根据各尺度细节和逼近对应的主成分分析模型,计算各尺度细节对应的统计指标;将超过预设指标阈值的统计指标对应的尺度和逼近确定为含有重要信息的尺度细节;利用含有重要信息的尺度细节重构原始数据,得到包含确定性分量的变量数据矩阵;利用多尺度主元分析法对重构的变量数据矩阵进行建模,计算统计指标的统计量及其对应的阈值,作为多尺度主元分析模型对应的阈值。
上述模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合线缆等,或其任意组合。无线连接可以包括通过LAN、WAN、蓝牙、ZigBee、或NFC等形式的连接,或其任意组合。两个或更多个模块可以组合为单个模块,并且任何一个模块可以分成两个或更多个单元。
本申请实施例还提供了一种电子设备,如图9所示,为该电子设备的结构示意图,其中,该电子设备包括处理器91和存储器90,该存储器90存储有能够被该处理器91执行的计算机可执行指令,该处理器91执行该计算机可执行指令以实现上述车辆故障的诊断方法。
在图9示出的实施方式中,该电子设备还包括总线92和通信接口93,其中,处理器91、通信接口93和存储器90通过总线92连接。
其中,存储器90可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口93(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。总线92可以是ISA(IndustryStandard Architecture,工业标准体系结构)总线、PCI(Peripheral ComponentInterconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线92可以分为地址总线、数据总线、控制总线等。为便于表示,图9中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器91可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器91中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器91可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器91读取存储器中的信息,结合其硬件完成前述实施例的车辆故障的诊断方法的步骤。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令在被处理器调用和执行时,该计算机可执行指令促使处理器实现上述车辆故障的诊断方法,具体实现可参见前述方法实施例,在此不再赘述。
本申请实施例所提供的车辆故障的诊断方法、装置和电子设备的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的车辆故障的诊断方法,具体实现可参见方法实施例,在此不再赘述。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本申请的范围。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种车辆故障的诊断方法,其特征在于,所述车辆上安装有AMT系统,所述方法包括:
获取所述AMT系统中的多种传感器信号;
如果所述多种传感器信号及其变化率均没有超过对应的第一预设阈值,对多种传感器信号组成的二维数据矩阵进行数据处理和小波分解,得到多种传感器信号对应的小波系数;
如果多种传感器信号对应的小波系数中,至少有一个小波系数的变化幅值大于其对应的第二预设阈值,基于所述数据处理后的二维数据矩阵和所述小波分解后进行数据重构得到的小波重构矩阵,计算各种传感器信号对SPE统计量的贡献度;所述第二预设阈值为基于正常历史行驶数据进行多尺度主元分析得到的;
基于各种传感器信号对SPE统计量的贡献度,确定所述车辆的故障原因。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
如果所述多种传感器信号中,有至少一种传感器信号或者传感器信号的变化率超过其对应的第一预设阈值,确定所述车辆发生故障;
将超过所述第一预设阈值的传感器信号,作为所述车辆的故障原因。
3.根据权利要求1所述的方法,其特征在于,基于各种传感器信号对SPE统计量的贡献度,确定所述车辆的故障原因的步骤,包括:
按照贡献度大小,对各种传感器信号对SPE统计量的贡献度进行排序;
将排序满足预设条件的贡献度对应的传感器信号作为所述车辆的故障原因。
4.根据权利要求1所述的方法,其特征在于,所述第二预设阈值的确定过程如下:
获取所述车辆的正常历史行驶数据;所述正常历史行驶数据包括:车辆正常行驶状态下,所述AMT系统中的多种传感器在多次工况下进行多次采样得到的传感器信号;
对所述正常历史行驶数据进行数据预处理操作,得到二维建模数据;其中,所述数据预处理操作包括:构造三维数据矩阵、三维转二维处理、数据划分处理、均值处理和归一化处理;
基于所述二维建模数据,建立多尺度主元分析模型;
确定所述多尺度主元分析模型对应的阈值,作为所述第二预设阈值。
5.根据权利要求4所述的方法,其特征在于,对所述正常历史行驶数据进行数据预处理操作,得到二维建模数据的步骤,包括:
基于所述正常历史行驶数据,构造三维数据矩阵;
对所述三维数据矩阵进行三维转二维处理,得到二维数据矩阵;
对所述二维数据矩阵进行数据划分处理得到多个二维数据子空间;
对每个所述二维数据子空间进行均值处理和归一化处理,得到所述二维建模数据。
6.根据权利要求4所述的方法,其特征在于,基于所述二维建模数据,建立多尺度主元分析模型的步骤,包括:
通过离散小波变换对所述二维建模数据中各个传感器信号进行多尺度分解,得到各尺度细节和逼近对应的小波系数;
基于各尺度细节和逼近对应的小波系数,分别建立主成分分析模型,得到所述多尺度主元分析模型。
7.根据权利要求5所述的方法,其特征在于,确定所述多尺度主元分析模型对应的阈值的步骤,包括:
根据各尺度细节和逼近对应的主成分分析模型,计算各尺度细节对应的统计指标;
将超过尺度阈值的统计指标对应的尺度确定为含有重要信息的尺度细节;
利用所述含有重要信息的尺度细节重构原始数据,得到包含确定性分量的变量数据矩阵;
利用多尺度主元分析法对重构的所述变量数据矩阵进行建模,计算所述统计指标的统计量及其对应的阈值,作为所述多尺度主元分析模型对应的阈值。
8.一种车辆故障的诊断装置,其特征在于,所述车辆上安装有AMT系统,所述装置包括:
信号获取模块,用于获取所述AMT系统中的多种传感器信号;
小波分解模块,用于如果所述多种传感器信号均没有超过其对应的第一预设阈值,对多种传感器信号组成的二维数据矩阵进行数据处理和小波分解,得到多种传感器信号对应的小波系数;
贡献度计算模块,用于如果多种传感器信号对应的小波系数中,至少有一个小波系数大于其对应的第二预设阈值,基于所述数据处理后的二维数据矩阵和所述小波分解后进行数据重构得到的小波重构矩阵,计算各种传感器信号对SPE统计量的贡献度;所述第二预设阈值为基于正常的历史行驶状态数据进行多尺度主元分析得到的;
故障诊断模块,用于基于各种传感器信号对SPE统计量的贡献度,确定所述车辆的故障原因。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910795136.9A CN110501169A (zh) | 2019-08-27 | 2019-08-27 | 车辆故障的诊断方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910795136.9A CN110501169A (zh) | 2019-08-27 | 2019-08-27 | 车辆故障的诊断方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110501169A true CN110501169A (zh) | 2019-11-26 |
Family
ID=68589698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910795136.9A Pending CN110501169A (zh) | 2019-08-27 | 2019-08-27 | 车辆故障的诊断方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110501169A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111077880A (zh) * | 2019-12-24 | 2020-04-28 | 国汽(北京)智能网联汽车研究院有限公司 | 一种车辆故障的诊断系统及方法 |
CN111797943A (zh) * | 2020-07-28 | 2020-10-20 | 中车青岛四方机车车辆股份有限公司 | 一种城轨车辆及其客室车门故障诊断方法 |
CN112629710A (zh) * | 2020-12-30 | 2021-04-09 | 苏州绿科智能机器人研究院有限公司 | 一种发动机温度传感器的智能自诊断方法 |
CN112820090A (zh) * | 2020-12-30 | 2021-05-18 | 苏州绿科智能机器人研究院有限公司 | 一种基于大数据的报警系统及其实现方法 |
CN113160080A (zh) * | 2021-04-16 | 2021-07-23 | 桂林市啄木鸟医疗器械有限公司 | 一种cr影像降噪方法、装置、设备及介质 |
CN114312814A (zh) * | 2022-03-09 | 2022-04-12 | 所托(杭州)汽车智能设备有限公司 | 车辆传感器故障诊断方法和车辆控制方法 |
CN116342111A (zh) * | 2023-05-30 | 2023-06-27 | 中汽信息科技(天津)有限公司 | 一种基于大数据的汽车配件智能交易方法及系统 |
CN116499469A (zh) * | 2023-06-28 | 2023-07-28 | 北京航空航天大学 | 利用神经网络模型在线学习和补偿的gnss/ins组合导航方法 |
US11780452B2 (en) | 2020-10-21 | 2023-10-10 | Chang'an University | Method and system for fault diagnoses of intelligent vehicles |
CN117369425A (zh) * | 2023-12-08 | 2024-01-09 | 南昌华翔汽车内外饰件有限公司 | 汽车仪表总成故障诊断方法、系统、存储介质及计算机 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202979030U (zh) * | 2012-12-05 | 2013-06-05 | 北京众智先导科技有限公司 | 车辆故障和报警信息通知系统 |
CN107112744A (zh) * | 2014-12-24 | 2017-08-29 | 株式会社杰士汤浅国际 | 电源保护装置、电源装置以及开关故障诊断方法 |
CN107782917A (zh) * | 2016-08-24 | 2018-03-09 | 联合汽车电子有限公司 | 车速传感器的故障诊断及处理方法 |
CN108327538A (zh) * | 2017-12-29 | 2018-07-27 | 北京智行鸿远汽车有限公司 | 重度绝缘故障可自动恢复的故障处理方法及新能源汽车 |
CN108416106A (zh) * | 2018-02-05 | 2018-08-17 | 江苏方天电力技术有限公司 | 基于多尺度主元分析的给水泵故障检测方法 |
CN109324604A (zh) * | 2018-11-29 | 2019-02-12 | 中南大学 | 一种基于多源信号的智能列车综合故障分析方法 |
CN110006672A (zh) * | 2019-04-09 | 2019-07-12 | 唐山百川智能机器股份有限公司 | 基于声成像技术的轨道车辆故障监测方法 |
WO2019142484A1 (ja) * | 2018-01-16 | 2019-07-25 | 株式会社日立製作所 | 故障診断支援装置 |
-
2019
- 2019-08-27 CN CN201910795136.9A patent/CN110501169A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202979030U (zh) * | 2012-12-05 | 2013-06-05 | 北京众智先导科技有限公司 | 车辆故障和报警信息通知系统 |
CN107112744A (zh) * | 2014-12-24 | 2017-08-29 | 株式会社杰士汤浅国际 | 电源保护装置、电源装置以及开关故障诊断方法 |
CN107782917A (zh) * | 2016-08-24 | 2018-03-09 | 联合汽车电子有限公司 | 车速传感器的故障诊断及处理方法 |
CN108327538A (zh) * | 2017-12-29 | 2018-07-27 | 北京智行鸿远汽车有限公司 | 重度绝缘故障可自动恢复的故障处理方法及新能源汽车 |
WO2019142484A1 (ja) * | 2018-01-16 | 2019-07-25 | 株式会社日立製作所 | 故障診断支援装置 |
CN108416106A (zh) * | 2018-02-05 | 2018-08-17 | 江苏方天电力技术有限公司 | 基于多尺度主元分析的给水泵故障检测方法 |
CN109324604A (zh) * | 2018-11-29 | 2019-02-12 | 中南大学 | 一种基于多源信号的智能列车综合故障分析方法 |
CN110006672A (zh) * | 2019-04-09 | 2019-07-12 | 唐山百川智能机器股份有限公司 | 基于声成像技术的轨道车辆故障监测方法 |
Non-Patent Citations (3)
Title |
---|
彭建鑫: "自动机械变速操控系统实时故障检测和诊断", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
程吉锋: "基于多尺度主元分析的丙烯聚合过程故障诊断研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
钱朋朋等: "基于多尺度主元分析的传感器故障诊断", 《仪器仪表学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111077880A (zh) * | 2019-12-24 | 2020-04-28 | 国汽(北京)智能网联汽车研究院有限公司 | 一种车辆故障的诊断系统及方法 |
CN111797943A (zh) * | 2020-07-28 | 2020-10-20 | 中车青岛四方机车车辆股份有限公司 | 一种城轨车辆及其客室车门故障诊断方法 |
CN111797943B (zh) * | 2020-07-28 | 2024-02-02 | 中车青岛四方机车车辆股份有限公司 | 一种城轨车辆及其客室车门故障诊断方法 |
US11780452B2 (en) | 2020-10-21 | 2023-10-10 | Chang'an University | Method and system for fault diagnoses of intelligent vehicles |
CN112629710A (zh) * | 2020-12-30 | 2021-04-09 | 苏州绿科智能机器人研究院有限公司 | 一种发动机温度传感器的智能自诊断方法 |
CN112820090A (zh) * | 2020-12-30 | 2021-05-18 | 苏州绿科智能机器人研究院有限公司 | 一种基于大数据的报警系统及其实现方法 |
CN113160080B (zh) * | 2021-04-16 | 2023-09-22 | 桂林市啄木鸟医疗器械有限公司 | 一种cr影像降噪方法、装置、设备及介质 |
CN113160080A (zh) * | 2021-04-16 | 2021-07-23 | 桂林市啄木鸟医疗器械有限公司 | 一种cr影像降噪方法、装置、设备及介质 |
CN114312814A (zh) * | 2022-03-09 | 2022-04-12 | 所托(杭州)汽车智能设备有限公司 | 车辆传感器故障诊断方法和车辆控制方法 |
CN116342111A (zh) * | 2023-05-30 | 2023-06-27 | 中汽信息科技(天津)有限公司 | 一种基于大数据的汽车配件智能交易方法及系统 |
CN116342111B (zh) * | 2023-05-30 | 2023-08-29 | 中汽信息科技(天津)有限公司 | 一种基于大数据的汽车配件智能交易方法及系统 |
CN116499469B (zh) * | 2023-06-28 | 2023-09-08 | 北京航空航天大学 | 利用神经网络模型在线学习和补偿的gnss/ins组合导航方法 |
CN116499469A (zh) * | 2023-06-28 | 2023-07-28 | 北京航空航天大学 | 利用神经网络模型在线学习和补偿的gnss/ins组合导航方法 |
CN117369425A (zh) * | 2023-12-08 | 2024-01-09 | 南昌华翔汽车内外饰件有限公司 | 汽车仪表总成故障诊断方法、系统、存储介质及计算机 |
CN117369425B (zh) * | 2023-12-08 | 2024-02-27 | 南昌华翔汽车内外饰件有限公司 | 汽车仪表总成故障诊断方法、系统、存储介质及计算机 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110501169A (zh) | 车辆故障的诊断方法、装置及电子设备 | |
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
CN108491861A (zh) | 基于多源多参量融合的输变电设备状态异常模式识别方法及装置 | |
CN108242266A (zh) | 辅助诊断装置和方法 | |
CN115798078A (zh) | 一种车辆精准故障诊断方法和装置 | |
CN113486420A (zh) | 水库大坝岸坡稳定性监测方法、装置、设备及介质 | |
CN112182747A (zh) | 用于船舶波浪增阻性能分析的仿真试验系统及方法 | |
CN114387332B (zh) | 一种管道测厚方法及装置 | |
CN102680646A (zh) | 一种不饱和聚酯树脂反应釜中反应物浓度软测量方法 | |
CN109543710A (zh) | 一种模型训练方法及相关设备 | |
CN105387844A (zh) | 路面状况测定系统以及路面状况测定方法 | |
CN110214282A (zh) | 用于机动车的停车位的可用性的确定 | |
CN112070328A (zh) | 环境信息部分已知的多水面无人搜救艇任务分配方法 | |
CN115239733B (zh) | 裂缝检测方法、装置、终端设备以及存储介质 | |
CN109345772A (zh) | 一种疲劳驾驶识别方法及相关设备 | |
CN110411721A (zh) | 一种海洋立管损伤定位方法及系统 | |
CN105095649B (zh) | 建筑物倾斜角度的数据分析方法和系统 | |
CN114523337A (zh) | 一种刀具磨损状态识别方法、装置、电子设备及存储介质 | |
CN111259494B (zh) | 重机设备健康监测分析方法 | |
CN114004138A (zh) | 基于大数据人工智能的建筑监测方法、系统及存储介质 | |
CN107943002B (zh) | 环卫设备故障诊断方法及系统 | |
CN115170001B (zh) | 改进型肯特指数法的桥梁施工风险评估方法 | |
CN113997989B (zh) | 磁浮列车单点悬浮系统安全检测方法、装置、设备及介质 | |
CN117761434A (zh) | 一种基于分层故障传递关系模型的故障检测方法及系统 | |
CN105869478B (zh) | 确定驾驶员的排名 |
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 |
Application publication date: 20191126 |
|
RJ01 | Rejection of invention patent application after publication |