CN111045411A - 用于动力传动系组件的故障诊断方法 - Google Patents

用于动力传动系组件的故障诊断方法 Download PDF

Info

Publication number
CN111045411A
CN111045411A CN201910557124.2A CN201910557124A CN111045411A CN 111045411 A CN111045411 A CN 111045411A CN 201910557124 A CN201910557124 A CN 201910557124A CN 111045411 A CN111045411 A CN 111045411A
Authority
CN
China
Prior art keywords
vehicle
powertrain
vibration
fault diagnosis
component
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
CN201910557124.2A
Other languages
English (en)
Inventor
李东喆
郑仁秀
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.)
Hyundai Motor Co
Kia Corp
Original Assignee
Hyundai Motor Co
Kia Motors 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 Hyundai Motor Co, Kia Motors Corp filed Critical Hyundai Motor Co
Publication of CN111045411A publication Critical patent/CN111045411A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/02—Registering or indicating driving, working, idle, or waiting time only
    • 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
    • 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
    • G05B23/0245—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 qualitative model, e.g. rule based; if-then decisions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
    • B60W50/0205—Diagnosing or detecting failures; Failure detection models
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/04—Monitoring the functioning of the control system
    • B60W50/045—Monitoring control system parameters
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D11/00—Arrangements for, or adaptations to, non-automatic engine control initiation means, e.g. operator initiated
    • F02D11/06—Arrangements for, or adaptations to, non-automatic engine control initiation means, e.g. operator initiated characterised by non-mechanical control linkages, e.g. fluid control linkages or by control linkages with power drive or assistance
    • F02D11/10—Arrangements for, or adaptations to, non-automatic engine control initiation means, e.g. operator initiated characterised by non-mechanical control linkages, e.g. fluid control linkages or by control linkages with power drive or assistance of the electric type
    • F02D11/107—Safety-related aspects
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/0025—Controlling engines characterised by use of non-liquid fuels, pluralities of fuels, or non-fuel substances added to the combustible mixtures
    • F02D41/0047—Controlling exhaust gas recirculation [EGR]
    • F02D41/005—Controlling exhaust gas recirculation [EGR] according to engine operating conditions
    • F02D41/0052—Feedback control of engine parameters, e.g. for control of air/fuel ratio or intake air amount
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/021—Introducing corrections for particular conditions exterior to the engine
    • F02D41/0215—Introducing corrections for particular conditions exterior to the engine in relation with elements of the transmission
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D41/1405—Neural network control
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/22—Safety or indicating devices for abnormal conditions
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2451—Methods of calibrating or learning characterised by what is learned or calibrated
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/04—Testing internal-combustion engines
    • G01M15/12—Testing internal-combustion engines by monitoring vibrations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M7/00—Vibration-testing of structures; Shock-testing of structures
    • G01M7/02—Vibration-testing by means of a shake table
    • 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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/08—Learning methods
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0062—Adapting control system settings
    • B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
    • B60W2050/0083—Setting, resetting, calibration
    • B60W2050/0088—Adaptive recalibration
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/025—Engine noise, e.g. determined by using an acoustic sensor
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/22—Safety or indicating devices for abnormal conditions
    • F02D41/221—Safety or indicating devices for abnormal conditions relating to the failure of actuators or electrically driven elements
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24065—Real time diagnostics
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37434—Measuring vibration of machine or workpiece or tool

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Theoretical Computer Science (AREA)
  • Transportation (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

用于动力传动系组件的故障诊断方法可包括：由服务器基于指示动力传动系组件故障的振动大数据建立诊断模型；通过使用从振动大数据中提取的特征向量，由服务器对动力传动系组件中的故障组件进行分类和建模；由车辆的控制器通过输入命令或驾驶员的设置启动车辆的动力传动系组件的故障诊断；和通过将与在车辆行驶期间测量的车辆的动力传动系振动相对应的特征向量与在诊断模型中建模的振动大数据进行比较，由车辆的控制器诊断车辆的动力传动系组件的故障。

Description

用于动力传动系组件的故障诊断方法
相关申请的交叉引用
本申请要求2018年10月11日提交的韩国专利申请第10-2018-0121109号的优先权和权益，其全部内容通过引用结合于此。
技术领域
本公开涉及用于动力传动系组件的故障诊断方法。
背景技术
本节中的陈述仅提供与本公开相关的背景信息，并且可以不构成现有技术。
人脑由称为神经元的许多神经细胞组成，每个神经元通过称为突触的连接与数百或数千个其他神经元连接。每个神经元通过树突从与其连接的其他神经元接收电信号和化学信号，并且这些信号在细胞体中聚合。如果聚合值大于阈值，即神经元特定阈值，则激活神经元以经由轴突将其输出传输到相邻神经元。神经元之间的信息交换是并行执行的，并且通过学习增强了该信息交换功能。
“人工智能(AI)”是该领域的技术结构中的最高上级概念，以便通过模仿我们的人类大脑和神经网络使计算机或机器人像人类一样思考和行动。
虽然基于与人工智能相关的学习的控制系统的研究已经在汽车工业中不断进行，但到目前为止，它仅应用于结合说话者识别(语音识别)技术的技术，以及用于车辆的移动IT技术。
换句话说，该技术主要通过语音识别和通过智能手机互锁的应用程序操纵来进行导航或音频操纵。
通常，由于汽车由数万个部件制成，因此不容易识别故障症状并准确地确定大部件中的哪些部件出现故障。
因此，如果使用基于深度学习的人工智能来执行汽车组件的故障诊断，则可更准确和快速地识别并修复故障组件。
前述内容仅旨在帮助理解本公开的背景，并且不旨在表示本公开落入本领域技术人员已知的相关技术的范围内。
发明内容
已经做出本公开以解决上述问题并且提供一种基于深度学习的使用人工智能的汽车动力传动系组件的故障诊断方法。
根据本公开的用于动力传动系组件的故障诊断方法可包括：由服务器基于指示动力传动系组件故障的振动大数据建立诊断模型；通过使用从振动大数据中提取的特征向量，由服务器对动力传动系组件中的故障组件进行分类和建模；由车辆的控制器通过输入命令或驾驶员的设置启动车辆的动力传动系组件的故障诊断；和通过将与车辆行驶期间测量的车辆的动力传动系振动相对应的特征向量与在诊断模型中建模的振动大数据进行比较，由车辆的控制器诊断车辆的动力传动系组件的故障。
诊断动力传动系组件的故障可基于对车辆的行驶期间测量的动力传动系振动的特征向量进行数据预处理之后通过深度学习计算的车辆的动力传动系组件的故障概率。
该方法还可包括：当确定车辆的动力传动系组件未发生故障时，通过应用燃烧控制学习值来执行NVH(噪声、振动和声振粗糙度)性能评估。
在另一种形式中，该方法可包括由发动机控制器通过根据NVH性能评估的结果改变燃烧控制变量来执行主动燃烧控制。
在其他形式中，该方法包括通过在执行主动燃烧控制之后接收驾驶员的评估结果来确定NVH性能是否得到改善。
当来自驾驶员的评估结果指示NVH性能未得到改善时，可向驾驶员通知除动力传动系组件之外的故障组件的概率。
在车辆行驶预定距离之后，可自动执行启动故障诊断。
在启动故障诊断之后，可通知驾驶员切换到行驶模式以诊断车辆的动力传动系组件的故障。
根据本发明的动力传动系组件的故障诊断方法，通过使用建立的深度学习模型根据动力传动系振动特性诊断故障，可准确、快速地识别可能故障的组件。
因此，可减少或最小化故障诊断，并且从而可执行准确和快速的故障排除。
另外，通过主动燃烧控制可改善NVH性能。
根据本文提供的描述，其他适用领域将变得显而易见。应该理解的是，描述和具体实例仅用于说明的目的，并不旨在限制本公开的范围。
附图说明
为了可很好地理解本公开，现在将描述其各种形式，通过实例的方式给出，参考附图，其中：
图1示意性地示出了用于实现动力传动系组件的故障诊断方法的系统配置；
图2是表示动力传动系组件的故障诊断方法的流程图。
图3A、图3B和图3C分别示出了由开发的深度学习模型提取的特征向量的实例；
图4A、图4B和图4C分别示出了动力传动系组件的故障诊断方法的配置中的模型建立步骤；
图5A、图5B图5C和图5D分别示出了动力传动系组件的故障诊断方法的配置中的故障诊断步骤；
图6示出了图5A至图5D的故障诊断结果的实例；
图7A和图7B示出了动力传动系组件的故障诊断方法的配置中的主动燃烧控制步骤；和
图8示出了图7A和图7B的主动燃烧控制结果的实例。
本文描述的附图仅用于说明目的，并不旨在以任何方式限制本公开的范围。
具体实施方式
以下描述本质上仅是示例性的，并不旨在限制本公开、应用或用途。应该理解的是，在整个附图中，相应的附图标记表示相同或相应的部件和特征。
可以以各种形式修改本公开的示例性形式，并且本公开的范围不应被解释为限于下面详述的示例性形式。提供本示例性形式以向本领域技术人员更充分地描述本公开。因此，可夸大图中元件的形状等，以强调更清楚的描述。应注意，每个附图中的相同组件由相同的附图标记表示。省略了可能不必要地模糊本公开的主旨的已知特征和配置的详细描述。
图1示意性地示出了用于实现本公开的一种形式的动力传动系组件的故障诊断方法的系统配置；并且图2顺序地示出了根据本公开内容的一个方面的动力传动系组件的故障诊断方法。
下文中，参考图1和图2，将详细描述用于动力传动系组件的故障诊断方法。
为了实现动力传动系组件的故障诊断方法，车辆可配备有振动传感器、室内麦克风、动力传动系组件的故障诊断AI，以及诸如ECU(发动机控制单元)的发动机控制器。
可通过振动传感器提取动力传动系的振动信号，并且可基于动力传动系组件的故障诊断AI确定纯动力传动系特征信号，以诊断动力传动系组件是否发生故障。
此外，当动力传动系未发生故障时，发动机控制器可执行主动燃烧控制以响应NVH，并且室内麦克风测量驾驶员的语音命令和室内NVH水平。此外，它可与说话者识别技术相关联以确定NVH是否得到改善。
这里，动力传动系组件的故障诊断AI被称为实施动力传动系故障诊断算法的人工智能控制器，或者可对应于基于深度学习的学习模型。用于故障诊断算法的控制器可以以硬件方式(例如，处理器)、软件方式或硬件和软件方式的组合(即，一系列命令)来体现，其处理至少一个功能或操作。本申请使用众所周知的控制器(例如，处理器或一系列命令)来处理动力系组件的振动大数据。
可通过收集在动力传动系开发阶段中NVH性能发展期间发生的振动大数据并收集与该领域产生的故障相关的振动大数据来开发基于深度学习的动力传动系故障诊断学习模型。
也就是说，可收集关于类型和振动信息大数据的失败原因的信息，以通过中央服务器基于深度学习创建学习模型，并且可为每种类型建立特征向量学习模型。
中央服务器可基于高性能GPU为每种类型的动力传动系故障生成特征向量学习模型，并且针对动力传动系类型、故障原因提取和详细故障组件的类型对模型进行分类和建模。
也就是说，根据本公开的用于动力传动系组件的故障诊断方法可包括诊断模型建立步骤、故障诊断启动步骤、故障诊断步骤和主动燃烧控制步骤，并且该方法将通过图2顺序地描述。
在实验室级，可应用深度学习模型，其通过由诊断模型建立步骤输入发动机驱动条件确定信号(诸如动力传动系振动信号和RPM)来建立S11。
此外，可执行故障诊断启动引导S12。
故障诊断启动可允许驾驶员直接输入可应用语音识别技术的启动命令。
另外，它可在基于行驶距离行驶一定行驶距离之后自动启动并且将故障诊断入口引导至驾驶员。
故障诊断启动引导可包括用于动力传动系故障诊断的行驶模式(RPM和加速条件等)切换引导。
当在引导之后启动故障诊断控制时，动力传动系组件的故障诊断AI可接收并存储由振动传感器测量的振动信号，并且将存储的振动信号预处理为数据S13。
数据预处理可执行时间/幅度/频率格式化算法(归一化)以应用故障诊断学习模型并通过应用零填充和白噪来执行数据处理。
可基于在数据预处理之后开发的深度学习模型来执行故障诊断S14。
也就是说，基于通过诊断模型建立步骤中收集的组件的异常振动大数据，取决于当前行驶期间动力传动系的预处理振动信号是否对应于动力传动系的非典型信号中的任何一个，可确定动力传动系是发生故障S16还是动力传动系没有发生故障S21。
当确定故障时，可输出诸如一级、二级和三级结果的概率，并且可提供与诸如服务紧急等级和周期的维修请求项的跟进动作相关的信息。
当动力传动系在步骤21中没有发生故障时，对于驾驶员识别的NVH(噪声、振动和声振粗糙度)问题，可确定NVH是否由于耐久性进度而恶化。
为此，可通过应用燃烧控制学习值来执行NVH评估S22。
根据步骤S22的评估结果，可通过改变与耐久性进度相关的燃烧控制来执行主动燃烧控制S23。
燃烧控制学习值还可取决于在开发阶段中学习的NVH模型，并且可通过应用这一点来完成改进工作以根据燃烧控制变量的最佳组合来达到NVH水平。
此外，在如此执行燃烧控制的改变之后，可反映驾驶员的评估结果S24。
也就是说，可确定通过诸如驾驶员语音识别的评估输入的满意度和不满意度，并且当满意时可保持对步骤S23提出的控制变量的改变，但是可引导存在可能的是，动力传动系以外的组件可能发生故障，从而在不满意时可进行仔细检查。
通过步骤更详细地描述，诊断模型建立步骤可通过与图3A至图3C相同的过程建模。结果，首先，可提取深度学习模型的特征向量，如图4A至图4C所示。
诊断模型建立可通过首先测量实时振动信号来按单位时间生成帧。
另外，可应用用于单位帧的N分区细节信息窗口算法。
然后，可执行每个详细时间数据的频率分析(电平提取)，并且可执行用于动力系的频率特性(低频带～高频带)效率增加的Log Mel过滤器后处理。
此外，在通过时间进度处理个体数据特征提取之后，可将其集成到一个学习模型中。
可生成基于特征向量(参数)的学习模型，该学习模型使用在发生相同故障形状时收集的振动大数据，其可总是更新。
当在行驶期间输入未知NVH的异常信号时，如图5A至图5D所示的故障诊断步骤可提取特征向量，并且执行故障诊断AI分析以导出故障诊断结果并提供导出的信息。
还如图6所示，可提供故障项和概率。
另一方面，当通过步骤S21确定动力传动系未发生故障时，如图7A和图7B所示，可确定燃烧和优化组合的NVH问题区域以执行发动机控制变量的主动控制。
图8示出了由于这种主动燃烧控制而改善了NVH性能。
如上所述，本公开收集在NVH性能发展期间发生的动力传动系振动的大数据，并且对每种组件类型的故障的振动的特征向量进行建模，并且在动力传动系故障诊断中，深度学习是通过对所测量的动力传动系振动的特征向量进行建模以导出和引导组件故障概率的数据来执行，从而可更快速和准确地实现动力传动系组件的故障诊断。
尽管已经参考附图描述了本公开，但是应该理解，本公开不限于所公开的示例性形式，并且对于本领域技术人员来说显而易见的是，可在不脱离本公开的精神和范围的情况下进行各种改变和修改。

Claims (8)

1.一种动力传动系组件的故障诊断方法，包括：
由服务器基于指示动力传动系组件故障的振动大数据建立诊断模型；
通过使用从所述振动大数据中提取的特征向量，由所述服务器对所述动力传动系组件中的故障组件进行分类和建模；
由车辆的控制器通过输入命令或驾驶员的设置启动所述车辆的动力传动系组件的故障诊断；和
通过将与所述车辆行驶期间测量的所述车辆的动力传动系振动相对应的特征向量与在所述诊断模型中建模的振动大数据进行比较，由所述控制器诊断所述车辆的动力传动系组件的故障。
2.根据权利要求1所述的故障诊断方法，其中，诊断所述动力传动系组件的故障是基于对所述车辆的行驶期间测量的动力传动系振动的特征向量进行数据预处理之后通过深度学习计算的所述车辆的动力传动系组件的故障概率。
3.根据权利要求2所述的故障诊断方法，还包括：当确定所述车辆的动力传动系组件未发生故障时，通过应用燃烧控制学习值来执行噪声、振动和声振粗糙度性能评估。
4.根据权利要求3所述的故障诊断方法，还包括：由发动机控制器通过基于所述噪声、振动和声振粗糙度性能评估的结果改变燃烧控制变量来执行主动燃烧控制。
5.根据权利要求4所述的故障诊断方法，还包括：通过在执行所述主动燃烧控制之后从驾驶员接收评估结果来确定所述噪声、振动和声振粗糙度性能是否得到改善。
6.根据权利要求5所述的故障诊断方法，其中，当来自所述驾驶员的评估结果表明所述噪声、振动和声振粗糙度性能未得到改善时，向所述驾驶员通知除所述动力传动系组件之外的组件故障的概率。
7.根据权利要求1所述的故障诊断方法，其中，在所述车辆行驶预定距离之后自动执行启动所述故障诊断。
8.根据权利要求7所述的故障诊断方法，其中，在启动所述故障诊断之后，通知所述车辆的驾驶员切换到行驶模式以诊断所述车辆的动力传动系组件的故障。
CN201910557124.2A 2018-10-11 2019-06-25 用于动力传动系组件的故障诊断方法 Pending CN111045411A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020180121109A KR20200041098A (ko) 2018-10-11 2018-10-11 파워 트레인 부품 고장 진단 방법
KR10-2018-0121109 2018-10-11

Publications (1)

Publication Number Publication Date
CN111045411A true CN111045411A (zh) 2020-04-21

Family

ID=67137599

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910557124.2A Pending CN111045411A (zh) 2018-10-11 2019-06-25 用于动力传动系组件的故障诊断方法

Country Status (4)

Country Link
US (1) US20200118358A1 (zh)
EP (1) EP3637083A1 (zh)
KR (1) KR20200041098A (zh)
CN (1) CN111045411A (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200075133A (ko) * 2018-12-12 2020-06-26 현대자동차주식회사 빅데이터 정보 기반 문제소음 발생원 진단 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
KR20210073882A (ko) * 2019-12-11 2021-06-21 현대자동차주식회사 빅데이터 기반 운행 정보 제공 시스템 및 방법
DE102020204944A1 (de) 2020-04-20 2021-10-21 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und System zur Diagnose eines Zustands eines Bauteils
CN111626144B (zh) * 2020-05-08 2023-08-29 湖南挚新科技发展有限公司 冲击特征向量构建方法、装置、终端设备及存储介质
CN112083709B (zh) * 2020-08-26 2022-05-10 深圳市元征科技股份有限公司 车辆诊断方法、系统、终端设备及存储介质
CN112162545B (zh) * 2020-10-21 2021-12-14 长安大学 一种汽车故障诊断方法及系统
CN112365628B (zh) * 2020-10-30 2021-12-28 北京理工大学 一种混合动力系统的故障诊断方法和装置
JP2022100163A (ja) 2020-12-23 2022-07-05 トヨタ自動車株式会社 音源推定サーバ、音源推定システム、音源推定装置、音源推定方法
US11711259B2 (en) * 2021-02-12 2023-07-25 Zebra Technologies Corporation Method, system and apparatus for detecting device malfunctions
KR20220121284A (ko) * 2021-02-24 2022-09-01 현대자동차주식회사 차량의 구동계 하드웨어 손상 진단 장치 및 그 방법
WO2023035009A1 (en) * 2021-09-03 2023-03-09 Continental Automotive Systems, Inc. Data driven explainable method and system for predictive maintenance
CN115452392B (zh) * 2021-11-30 2023-08-08 广州汽车集团股份有限公司 一种车辆发动机故障声学诊断方法及系统
CN115031994B (zh) * 2022-06-08 2023-05-02 昆山市易泰汽车科技有限公司 一种车辆耐久试验方法和系统
US20230406330A1 (en) * 2022-06-21 2023-12-21 Rivian Ip Holdings, Llc Vehicle diagnostic information communications
CN118072416A (zh) * 2024-04-24 2024-05-24 中汽研（天津）汽车工程研究院有限公司 基于深度学习的智能车载声振分析与诊断系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080287253A1 (en) * 2007-05-18 2008-11-20 Ford Global Technologies, Llc Variable Displacement Engine Powertrain Fuel Economy Mode
WO2014144036A1 (en) * 2013-03-15 2014-09-18 Angel Enterprise Systems, Inc. Engine analysis and diagnostic system
CN104169118A (zh) * 2012-03-16 2014-11-26 丰田自动车株式会社 混合动力车的故障诊断装置
CN104832640A (zh) * 2014-07-29 2015-08-12 北汽福田汽车股份有限公司 故障下的车辆换挡控制方法、系统及具有其的车辆
CN106502238A (zh) * 2016-11-30 2017-03-15 北京航空航天大学 一种固液动力飞行器故障诊断系统
CN106778828A (zh) * 2016-11-28 2017-05-31 哈尔滨工程大学 基于简化贝叶斯模型的柴油机燃油系统多故障识别方法
CN107449613A (zh) * 2016-05-30 2017-12-08 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
EP3327419A1 (en) * 2016-11-29 2018-05-30 STS Defence Limited Engine health diagnostic apparatus and method

Family Cites Families (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2717665B2 (ja) * 1988-05-31 1998-02-18 株式会社豊田中央研究所 内燃機関の燃焼予測判別装置
US5041976A (en) * 1989-05-18 1991-08-20 Ford Motor Company Diagnostic system using pattern recognition for electronic automotive control systems
US5361628A (en) * 1993-08-02 1994-11-08 Ford Motor Company System and method for processing test measurements collected from an internal combustion engine for diagnostic purposes
US5566092A (en) * 1993-12-30 1996-10-15 Caterpillar Inc. Machine fault diagnostics system and method
JP3116826B2 (ja) * 1996-07-15 2000-12-11 トヨタ自動車株式会社 プレイグニッション検出装置
US5732382A (en) * 1996-11-06 1998-03-24 Ford Global Technologies, Inc. Method for identifying misfire events of an internal combustion engine
US6131444A (en) * 1998-09-15 2000-10-17 Chrysler Corporation Misfire detection using a dynamic neural network with output feedback
US6240343B1 (en) * 1998-12-28 2001-05-29 Caterpillar Inc. Apparatus and method for diagnosing an engine using computer based models in combination with a neural network
US6351713B1 (en) * 1999-12-15 2002-02-26 Swantech, L.L.C. Distributed stress wave analysis system
US6481271B1 (en) * 2000-03-16 2002-11-19 Ford Motor Company Method to correct vehicle vibration during an assembly process
IL144010A (en) * 2001-06-26 2006-04-10 Engines Pdm Ltd Universal diagnostic method and system for engines
US20030088346A1 (en) * 2001-10-27 2003-05-08 Vetronix Corporation Noise, vibration and harshness analyzer
AU2002353097A1 (en) * 2001-12-07 2003-07-09 Battelle Memorial Institute Methods and systems for analyzing the degradation and failure of mechanical systems
US20040143398A1 (en) * 2003-01-03 2004-07-22 Nelson Mitchell C. Method and system for monitoring vibration and/or mechanical waves in mechanical systems
US7194383B2 (en) * 2004-12-06 2007-03-20 Caterpillar Inc Vibration analysis system and method for a machine
US7225108B2 (en) * 2004-12-06 2007-05-29 Caterpillar Inc Cross correlation diagnostics tool for vibration analysis
FR2898411B1 (fr) * 2006-03-08 2008-05-16 Inst Francais Du Petrole Methode d'estimation en temps reel de parametres de combustion moteur a partir de signaux vibratoires
US7593796B2 (en) * 2006-11-27 2009-09-22 Toyota Motor Engineering & Manufacturing North America, Inc. Torque estimator for internal combustion engine
US7900509B2 (en) * 2008-08-06 2011-03-08 Ford Global Technologies, Llc Methods for variable displacement engine diagnostics
US8131484B2 (en) * 2010-03-15 2012-03-06 Sergey Kirillov Method for preprocessing vibro-sensor signals for engine diagnostics and device for carrying out thereof
CN101839805A (zh) * 2010-03-19 2010-09-22 同济大学 发动机主动故障质检与智能故障诊断方法
WO2012009718A1 (en) * 2010-07-16 2012-01-19 Cummins Inc. Fault detection and response techniques
CN102539159A (zh) * 2010-12-24 2012-07-04 中国船舶研究设计中心 一种柴油机气门机构故障诊断方法
CN102661866A (zh) * 2012-05-11 2012-09-12 天津工业大学 基于时域能量和支持向量机的发动机故障识别方法
CN104568446A (zh) * 2014-09-27 2015-04-29 芜湖扬宇机电技术开发有限公司 一种发动机故障诊断方法
US20160245209A1 (en) * 2015-02-19 2016-08-25 General Electric Company Signal recording of knocking conditions using a knock sensor
US10054043B2 (en) * 2015-04-07 2018-08-21 General Electric Company Systems and methods for estimating a time of an engine event
CN104949840A (zh) * 2015-05-05 2015-09-30 天津大学 一种基于振动分析的柴油机故障诊断方法
US20160370255A1 (en) * 2015-06-16 2016-12-22 GM Global Technology Operations LLC System and method for detecting engine events with an acoustic sensor
CN105319071B (zh) * 2015-09-21 2017-11-07 天津大学 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
US20170184043A1 (en) * 2015-12-29 2017-06-29 General Electric Company System and method to verify installation of asymmetric piston
EP3397935B1 (en) * 2015-12-30 2019-11-13 Ford Otomotiv Sanayi A. S. Vibration and noise mapping system and method
CN106408687B (zh) * 2016-11-24 2019-04-05 沈阳航空航天大学 一种基于机器学习方法的汽车发动机故障预警方法
CN108398271A (zh) * 2017-02-07 2018-08-14 山东云舜智能科技有限公司 一种基于振动和神经网络技术的发动机状态监测方法
US20180293814A1 (en) * 2017-04-05 2018-10-11 GM Global Technology Operations LLC Method to classify system performance and detect environmental information
KR101889049B1 (ko) 2017-08-11 2018-08-21 (주)다이매틱스 딥러닝 기반의 인공지능을 이용한 자동차 진단 방법 및 장치
KR102324776B1 (ko) * 2017-10-16 2021-11-10 현대자동차주식회사 차량의 소음원인 진단방법
KR102383461B1 (ko) * 2017-10-17 2022-04-06 현대자동차주식회사 인공지능을 활용한 엔진동력특성 기반 엔진음색 제어방법 및 차량
KR102474355B1 (ko) * 2017-10-30 2022-12-05 현대자동차 주식회사 차량 제어 통합 관리 시스템 및 이와 통신을 통해 연결된 중앙 인공지능 서버
US10816438B2 (en) * 2017-11-14 2020-10-27 Tula Technology, Inc. Machine learning for misfire detection in a dynamic firing level modulation controlled engine of a vehicle
KR102406182B1 (ko) * 2018-01-30 2022-06-07 현대자동차주식회사 빅데이터 기반의 차량 예측 제어 시스템 및 방법
CN108445868B (zh) * 2018-03-26 2020-12-29 安徽省爱夫卡电子科技有限公司 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

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080287253A1 (en) * 2007-05-18 2008-11-20 Ford Global Technologies, Llc Variable Displacement Engine Powertrain Fuel Economy Mode
CN104169118A (zh) * 2012-03-16 2014-11-26 丰田自动车株式会社 混合动力车的故障诊断装置
WO2014144036A1 (en) * 2013-03-15 2014-09-18 Angel Enterprise Systems, Inc. Engine analysis and diagnostic system
CN104832640A (zh) * 2014-07-29 2015-08-12 北汽福田汽车股份有限公司 故障下的车辆换挡控制方法、系统及具有其的车辆
CN107449613A (zh) * 2016-05-30 2017-12-08 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
CN106778828A (zh) * 2016-11-28 2017-05-31 哈尔滨工程大学 基于简化贝叶斯模型的柴油机燃油系统多故障识别方法
EP3327419A1 (en) * 2016-11-29 2018-05-30 STS Defence Limited Engine health diagnostic apparatus and method
CN106502238A (zh) * 2016-11-30 2017-03-15 北京航空航天大学 一种固液动力飞行器故障诊断系统

Also Published As

Publication number Publication date
EP3637083A1 (en) 2020-04-15
US20200118358A1 (en) 2020-04-16
KR20200041098A (ko) 2020-04-21

Similar Documents

Publication Publication Date Title
CN111045411A (zh) 用于动力传动系组件的故障诊断方法
Angkititrakul et al. Modeling and adaptation of stochastic driver-behavior model with application to car following
US8781982B1 (en) System and method for estimating remaining useful life
KR20190048061A (ko) 차량 제어 통합 관리 시스템 및 이와 통신을 통해 연결된 중앙 인공지능 서버
US11137322B2 (en) Diagnosing method of engine condition and diagnostic modeling method thereof
CN112820321A (zh) 一种抽油机远程智能音频诊断系统、方法、设备及介质
AU2021202999A1 (en) Fault detection technique for a bearing
WO2019228625A1 (en) Method and apparatus for detecting vibrational and/or acoustic transfers in a mechanical system
US11620519B2 (en) Big data-based driving information provision system and method thereof
CN115326437B (zh) 一种转向架故障监测与诊断的嵌入式系统装置及方法
AU2020367368A1 (en) Method for assessing an external event on an automotive glazing
US20210383043A1 (en) Method and system for processing vehicle test data of a vehicle
CN116776747B (zh) 一种igbt模块使用寿命计算方法及系统
US7136779B2 (en) Method for simplified real-time diagnoses using adaptive modeling
CN112213103A (zh) 轨道交通机车车辆轴承的故障诊断方法、装置、系统及介质
DE102018132158A1 (de) Klassifikation von Signalen zur Diagnose für ein Kraftfahrzeug
US20230090528A1 (en) Method and Device for Monitoring an On-Board Electrical System of a Vehicle
CN115753103A (zh) 一种基于标准自学习数据增强的故障诊断方法及系统
KR20230060824A (ko) 빅데이터 기반의 배터리 진단 시스템 및 그의 제어 방법
Kordes et al. Automatic Fault Detection using Cause and Effect Rules for In-vehicle Networks.
JPH08320251A (ja) 設備における音響および振動の診断方法
US11721141B2 (en) Method of AI-based vehicle diagnosis using CAN data and device thereof
Chattunyakit et al. Joint fault diagnosis of legged robot based on acoustic processing
JP2022081305A (ja) 音源判定システム
CN114662554A (zh) 用于诊断设备的系统和方法以及诊断设备的组件的方法

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