CN111476374A - 基于神经网络的纯电动汽车电器故障诊断训练方法与装置 - Google Patents

基于神经网络的纯电动汽车电器故障诊断训练方法与装置 Download PDF

Info

Publication number
CN111476374A
CN111476374A CN202010289891.2A CN202010289891A CN111476374A CN 111476374 A CN111476374 A CN 111476374A CN 202010289891 A CN202010289891 A CN 202010289891A CN 111476374 A CN111476374 A CN 111476374A
Authority
CN
China
Prior art keywords
fault
models
model
pure electric
output
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.)
Granted
Application number
CN202010289891.2A
Other languages
English (en)
Other versions
CN111476374B (zh
Inventor
唐鹏
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.)
Chongqing Industry Polytechnic College
Original Assignee
Chongqing Industry Polytechnic College
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 Chongqing Industry Polytechnic College filed Critical Chongqing Industry Polytechnic College
Priority to CN202010289891.2A priority Critical patent/CN111476374B/zh
Publication of CN111476374A publication Critical patent/CN111476374A/zh
Application granted granted Critical
Publication of CN111476374B publication Critical patent/CN111476374B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • G06Q50/2057—Career enhancement or continuing education service

Abstract

本发明涉及纯电动汽车技术领域，提供一种基于神经网络的纯电动汽车电器故障诊断训练方法包括通过检测纯电动汽车电器系统的多组状态数据，检测到的多组状态数据输入不同的机器学习模型，且模型与训练人员一一对应，训练人员选择模型输出的故障标签来对模型进行训练，而后分别输入具有映射关系的状态数据与故障标签，来验证模型的准确性，若模型输出的故障标签与输入的故障标签一致，则输出模型准确可靠；若不一致，则输出模型不准确可靠，需要训练人员继续对模型进行训练，评估人员只需要对模型进行准确性判断，即可评估训练人员是否合格，既不需要集中训练，也不需要认为的理论实践考核，效率高，评价效率客观性高，减少评估过程的偶然性。

Description

基于神经网络的纯电动汽车电器故障诊断训练方法与装置
技术领域
本发明涉及纯电动汽车技术领域，特别涉及一种基于神经网络的纯电动汽车电器故障诊断训练方法与装置。
背景技术
纯电动汽车越来越普及，市场拥有量越来越大，针对纯电动汽车的故障诊断也随时越来越频繁，在纯电动汽车电器系统的故障诊断较难，对故障诊断和排除的技能人员的需求越来越大，针对技能人员的故障诊断训练模块也越来越多。
针对汽车电器系统故障诊断训练，CN208367955U公开了一种带故障诊断训练功能的电动汽车同步电机电路实训系统，设置有电机控制管理器，该电机控制管理器的故障设置控制端连接有智能故障设置单元，信号采集端连接有多通道信号采集单元，能量回收控制端连接有同步电机控制器，该同步电机控制器的输入端与同步电机的能量回收输出端连接，该同步电机的输出轴上设置有能量回收装置，所述同步电机控制器的输出端与电池组充电控制器的第一输入端连接，该电池组充电控制器的输出端与电池组连接；所述电机控制管理器的充电控制端与所述电池组充电控制器的控制端连接。
目前，针对纯电动汽车电器系统故障诊断训练采用对待培训人员进行集中培训后进行理论实践考核，不仅培训效率低、评价效率及客观性偏低，并且偶然性因素大，培训人员的训练不足导致故障诊断判断失误引起安全隐患。
发明内容
纯电动汽车电器系统故障诊断训练采用对待培训人员进行集中培训，培训后进行理论实践考核，效率低、评价效率及客观性偏低，偶然性因素大的问题。
有鉴于此，本发明旨在提出一种基于神经网络的纯电动汽车电器故障诊断训练方法包括：
步骤S1，调用传感器检测纯电动汽车电器系统的多组状态数据；
步骤S2，将步骤S1检测到的多组状态数据输入不同的模型，每个模型与训练人员一一对应，训练人员选择对应模型输出的故障标签，其中，所述模型为未训练的机器学习模型；
步骤S3，将经过数次步骤S2后的不同模型，分别输入具有映射关系的状态数据与故障标签，验证模型的准确性；若模型输出的故障标签与输入的故障标签一致，则输出模型准确可靠；若模型输出的故障标签与输入的故障标签不一致，则输出模型不准确可靠，返回进入步骤S2。
优选地，所述传感器包括多组不同类型传感器，包括电流、电压、电阻传感器。
优选地，所述传感器还包括汽车故障码读取设备。
优选地，所述步骤S1中的多组状态数据包括电流值、电压值、故障码、电阻值参数。
优选地，在所述步骤S2中，所述故障标签包括多个不同电器故障的标签或自定义标签。
优选地，在所述步骤S2中，所述训练人员能够自由选择标签类型。
优选地，在所述步骤S2中，所述机器学习模型为有监督学习模型。
本发明还公开了一种执行上述基于神经网络的纯电动汽车电器故障诊断训练方法的装置，所述装置包括：
调用单元，用于调用传感器检测纯电动汽车电器系统的多组状态数据；
学习单元，用于将调用单元检测到的多组状态数据输入不同的模型，每个模型与训练人员一一对应，训练人员选择对应模型输出的故障标签，其中，所述模型为未训练的机器学习模型；
评估单元，用于将经过学习单元中被训练后的不同模型，分别输入具有映射关系的故障数据与故障标签，验证模型的准确性；若模型输出的故障标签与输入的故障标签一致，则输出模型准确可靠；若模型输出的故障标签与输入的故障标签不一致，则输出模型不准确可靠，返回学习单元进行训练。
优选地，调用单元包括传感器模块，用于获取纯电动汽车电器系统各个状态数据，包括电压、电流、电阻；汽车故障码读取设备，用于获取纯电动汽车故障码信息。
根据本发明实施例的另一方面，提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述的方法。
根据本发明实施例，一种基于神经网络的纯电动汽车电器故障诊断训练方法，通过调用传感器检测纯电动汽车电器系统的多组状态数据，检测到的多组状态数据输入不同的机器学习模型，每个模型与训练人员一一对应，训练人员根据多组状态数据，判断并选择模型输出的故障标签来对机器学习模型进行训练，再由评估人员分别输入具有映射关系的状态数据与故障标签，来验证模型的准确性，若模型输出的故障标签与输入的故障标签一致，则输出模型准确可靠；若模型输出的故障标签与输入的故障标签不一致，则输出模型不准确可靠，需要训练人员继续对模型进行训练，评估人员只需要对模型进行准确性判断，即可评估训练人员是否合格，既不需要集中训练，也不需要认为的理论实践考核，效率高，评价效率客观性高，减少评估过程的偶然性。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施方式及其说明用于解释本发明，并不构成对本发明的不当限定。
在附图中：
图1为本发明的一种实施方式的基于神经网络的纯电动汽车电器故障诊断训练方法流程图；
图2为本发明一种实施方式的执行基于神经网络的纯电动汽车电器故障诊断训练方法装置的结构图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了解决背景技术部分所指的纯电动汽车电器系统故障诊断训练采用对待培训人员进行集中培训，培训后进行理论实践考核，效率低、评价效率及客观性偏低，偶然性因素大的问题。本发明提供一种基于神经网络的纯电动汽车电器故障诊断训练方法，如图1所示，本发明的一种基于神经网络的纯电动汽车电器故障诊断训练方法流程图，所述一种基于神经网络的纯电动汽车电器故障诊断训练方法包括：
步骤S1，调用传感器检测纯电动汽车电器系统的多组状态数据；
步骤S2，将步骤S1检测到的多组状态数据输入不同的模型，每个模型与训练人员一一对应，训练人员选择对应模型输出的故障标签，其中，所述模型为未训练的机器学习模型；
步骤S3，将经过数次步骤S2后的不同模型，分别输入具有映射关系的状态数据与故障标签，验证模型的准确性；若模型输出的故障标签与输入的故障标签一致，则输出模型准确可靠；若模型输出的故障标签与输入的故障标签不一致，则输出模型不准确可靠，返回进入步骤S2。
通过调用传感器检测纯电动汽车电器系统的多组状态数据，检测到的多组状态数据输入不同的机器学习模型，每个模型与训练人员一一对应，训练人员根据多组状态数据，判断并选择模型输出的故障标签来对机器学习模型进行训练，再由评估人员分别输入具有映射关系的状态数据与故障标签，来验证模型的准确性，若模型输出的故障标签与输入的故障标签一致，则输出模型准确可靠；若模型输出的故障标签与输入的故障标签不一致，则输出模型不准确可靠，需要训练人员继续对模型进行训练，评估人员只需要对模型进行准确性判断，即可评估训练人员是否合格，既不需要集中训练，也不需要认为的理论实践考核，效率高，评价效率客观性高，减少评估过程的偶然性。
为了获得纯电动汽车电器系统运行更为全面的状态数据，在本发明优选的情况下，所述传感器包括多组不同类型传感器，包括电流、电压、电阻传感器。
例如，纯电动汽车的前照大灯系统需要检测两前照大灯电流值，需要设置相应的电流传感器，若需要检测其输出的电压，则需要电压传感器。
为了获得纯电驱汽车系统各控制模块中故障码信息，在本发明优选的情况下，所述传感器还包括汽车故障码读取设备。
例如，通过汽车故障诊断OBD(On-Board Diagnostics)接口，对控制模块中故障码进行读取，从而增加机器学习模型的输入参数，使得训练人员更清晰地获知汽车电器系统的状态数据。
为了更好地训练机器学习模型，在本发明优选的情况下，所述步骤S1中的多组状态数据包括电流值、电压值、故障码、电阻值参数。
例如，汽车室内制暖系统的中PTC(Positive Temperature Coefficient)模块，检测的电流值、电压值、故障码、电阻值参数为：12.5A，14.2V，ox0231NB，378Ω。
为了使得训练人员能够选择相应的故障标签，在本发明优选的情况下，在所述步骤S2中，所述故障标签包括多个不同电器故障的标签或自定义标签。
在本发明更为优选的情况下，多个不同电器故障的标签包括了正确和不正确的标签，例如，当电器系统中右尾灯出现断路故障时，则可选的标签包括前照灯短路故障、转向灯断路故障、阅读灯短路故障、左尾灯断路故障、右尾灯断路故障等标签。
例如，当可选的标签中缺少可供选择的故障标签时，则可允许培训人员自行输入故障标签。
为了更好地适应不同类型电器故障训练需要，在本发明更为优选的情况下，在所述步骤S2中，所述训练人员能够自由选择标签类型。
为了简化运算和减少计算量，在本发明优选的情况下，在所述步骤S2中，所述机器学习模型为有监督学习模型。
为了解决背景技术中提到的采用对待培训人员进行集中培训，培训后进行理论实践考核，效率低、评价效率及客观性偏低，偶然性因素大的问题，本发明还提供了一种执行基于神经网络的纯电动汽车电器故障诊断训练方法的装置，所述装置包括：
调用单元，用于调用传感器检测纯电动汽车电器系统的多组状态数据；
学习单元，用于将调用单元检测到的多组状态数据输入不同的模型，每个模型与训练人员一一对应，训练人员选择对应模型输出的故障标签，其中，所述模型为未训练的机器学习模型；
评估单元，用于将经过学习单元中被训练后的不同模型，分别输入具有映射关系的故障数据与故障标签，验证模型的准确性；若模型输出的故障标签与输入的故障标签一致，则输出模型准确可靠；若模型输出的故障标签与输入的故障标签不一致，则输出模型不准确可靠，返回学习单元进行训练。
通过调用单元中的多组传感器检测纯电动汽车电器系统的多组状态数据，将检测到的多组状态数据输入学习单元中的不同的机器学习模型，每个模型与训练人员一一对应，训练人员根据多组状态数据，判断并选择模型输出的故障标签来对机器学习模型进行训练，再由评估人员在评估单元中分别输入具有映射关系的状态数据与故障标签，来验证模型的准确性，若模型输出的故障标签与输入的故障标签一致，则输出模型准确可靠；若模型输出的故障标签与输入的故障标签不一致，则输出模型不准确可靠，需要训练人员继续对模型进行训练，评估人员只需要对模型进行准确性判断，即可评估训练人员是否合格，既不需要集中训练，也不需要认为的理论实践考核，效率高，评价效率客观性高，减少评估过程的偶然性。
为了更多的获得训练所需要的输入参数，在本发明优选的情况下，调用单元包括传感器模块，用于获取纯电动汽车电器系统各个状态数据，包括电压、电流、电阻；汽车故障码读取设备，用于获取纯电动汽车故障码信息。
本发明实施例提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述方法。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明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全部或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(可为个人计算机、移动终端、服务器或者网络设备等)执行本发明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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于神经网络的纯电动汽车电器故障诊断训练方法，其特征在于，所述基于神经网络的纯电动汽车电器故障诊断训练方法包括：
步骤S1，调用传感器检测纯电动汽车电器系统的多组状态数据；
步骤S2，将步骤S1检测到的多组状态数据输入不同的模型，每个模型与训练人员一一对应，训练人员选择对应模型输出的故障标签，其中，所述模型为未训练的机器学习模型；
步骤S3，将经过数次步骤S2后的不同模型，分别输入具有映射关系的状态数据与故障标签，验证模型的准确性；若模型输出的故障标签与输入的故障标签一致，则输出模型准确可靠；若模型输出的故障标签与输入的故障标签不一致，则输出模型不准确可靠，返回进入步骤S2。
2.根据权利要求1所述的基于神经网络的纯电动汽车电器故障诊断训练方法，其特征在于，所述传感器包括多组不同类型传感器，包括电流、电压、电阻传感器。
3.根据权利要求2所述的基于神经网络的纯电动汽车电器故障诊断训练方法，其特征在于，所述传感器还包括汽车故障码读取设备。
4.根据权利要求1所述的基于神经网络的纯电动汽车电器故障诊断训练方法，其特征在于，所述步骤S1中的多组状态数据包括电流值、电压值、故障码、电阻值参数。
5.根据权利要求1所述的基于神经网络的纯电动汽车电器故障诊断训练方法，其特征在于，在所述步骤S2中，所述故障标签包括多个不同电器故障的标签或自定义标签。
6.根据权利要求5所述的基于神经网络的纯电动汽车电器故障诊断训练方法，其特征在于，在所述步骤S2中，所述训练人员能够自由选择标签类型。
7.根据权利要求1所述的基于神经网络的纯电动汽车电器故障诊断训练方法，其特征在于，在所述步骤S2中，所述机器学习模型为有监督学习模型。
8.一种装置，其特征在于，所述装置包括：
调用单元，用于调用传感器检测纯电动汽车电器系统的多组状态数据；
学习单元，用于将调用单元检测到的多组状态数据输入不同的模型，每个模型与训练人员一一对应，训练人员选择对应模型输出的故障标签，其中，所述模型为未训练的机器学习模型；
评估单元，用于将经过学习单元中被训练后的不同模型，分别输入具有映射关系的故障数据与故障标签，验证模型的准确性；若模型输出的故障标签与输入的故障标签一致，则输出模型准确可靠；若模型输出的故障标签与输入的故障标签不一致，则输出模型不准确可靠，返回学习单元进行训练。
9.根据权利要求8所述的装置，其特征在于，调用单元包括传感器模块，用于获取纯电动汽车电器系统各个状态数据，包括电压、电流、电阻；汽车故障码读取设备，用于获取纯电动汽车故障码信息。
10.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1-7任意项所述的方法。
CN202010289891.2A 2020-04-14 2020-04-14 基于神经网络的纯电动汽车电器故障诊断训练方法与装置 Active CN111476374B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010289891.2A CN111476374B (zh) 2020-04-14 2020-04-14 基于神经网络的纯电动汽车电器故障诊断训练方法与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010289891.2A CN111476374B (zh) 2020-04-14 2020-04-14 基于神经网络的纯电动汽车电器故障诊断训练方法与装置

Publications (2)

Publication Number Publication Date
CN111476374A true CN111476374A (zh) 2020-07-31
CN111476374B CN111476374B (zh) 2022-09-27

Family

ID=71751869

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010289891.2A Active CN111476374B (zh) 2020-04-14 2020-04-14 基于神经网络的纯电动汽车电器故障诊断训练方法与装置

Country Status (1)

Country Link
CN (1) CN111476374B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113561853A (zh) * 2021-06-08 2021-10-29 北京科技大学 燃料电池系统在线故障诊断方法及装置

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103559648A (zh) * 2013-10-30 2014-02-05 国家电网公司 电网设备状态检测与评价实训系统
CN103761569A (zh) * 2013-12-20 2014-04-30 上海电机学院 一种风力发电机故障诊断方法及装置
CN106971206A (zh) * 2017-04-13 2017-07-21 广东工业大学 一种护理动作考核方法及系统
CN107730017A (zh) * 2017-11-29 2018-02-23 马鞍山市科泰电气科技有限公司 智能冶金设备运行诊断系统
CN107958616A (zh) * 2018-01-16 2018-04-24 辽宁工程技术大学 基于对抗神经网络的驾驶员训练测试系统
CN108230810A (zh) * 2018-01-24 2018-06-29 重庆工业职业技术学院 一种汽车基本电路故障诊断考核系统及方法
US20180217902A1 (en) * 2016-05-06 2018-08-02 Shanghai Maritime University Voltage Reference Reconfiguration Fault-tolerant Control Method for Multi-level Inverter
CN208367955U (zh) * 2017-12-12 2019-01-11 北京中汽恒泰教育科技有限公司 带故障诊断训练功能的电动汽车同步电机电路实训系统
CN109256007A (zh) * 2018-11-28 2019-01-22 北京航天自动控制研究所 一种航天测控系统操作人员模拟训练系统及训练方法
CN110017857A (zh) * 2019-04-04 2019-07-16 广东工业大学 基于自适应学习与神经网络的非线性传感器故障诊断方法
CN110390841A (zh) * 2018-04-19 2019-10-29 南京梦宇三维技术有限公司 数字病人的问诊训练方法、终端与系统
CN110488150A (zh) * 2019-08-09 2019-11-22 国网河北省电力有限公司沧州供电分公司 一种基于多算法融合的故障智能诊断方法
CN110610310A (zh) * 2019-09-10 2019-12-24 北京字节跳动网络技术有限公司 一种教学考核的方法、装置、介质和电子设备
CN110619777A (zh) * 2019-09-26 2019-12-27 重庆三原色数码科技有限公司 基于vr技术的刑侦勘验实战智能训练考核系统及创建方法
CN110794243A (zh) * 2019-11-14 2020-02-14 南方电网科学研究院有限责任公司 一种直流系统故障诊断方法、系统以及设备
CN110940539A (zh) * 2019-12-03 2020-03-31 桂林理工大学 一种基于人工经验及声音识别的机器设备故障诊断方法
CN110995501A (zh) * 2019-12-17 2020-04-10 青岛博贤科技有限公司 一种基于数字化超短波模拟训练系统

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103559648A (zh) * 2013-10-30 2014-02-05 国家电网公司 电网设备状态检测与评价实训系统
CN103761569A (zh) * 2013-12-20 2014-04-30 上海电机学院 一种风力发电机故障诊断方法及装置
US20180217902A1 (en) * 2016-05-06 2018-08-02 Shanghai Maritime University Voltage Reference Reconfiguration Fault-tolerant Control Method for Multi-level Inverter
CN106971206A (zh) * 2017-04-13 2017-07-21 广东工业大学 一种护理动作考核方法及系统
CN107730017A (zh) * 2017-11-29 2018-02-23 马鞍山市科泰电气科技有限公司 智能冶金设备运行诊断系统
CN208367955U (zh) * 2017-12-12 2019-01-11 北京中汽恒泰教育科技有限公司 带故障诊断训练功能的电动汽车同步电机电路实训系统
CN107958616A (zh) * 2018-01-16 2018-04-24 辽宁工程技术大学 基于对抗神经网络的驾驶员训练测试系统
CN108230810A (zh) * 2018-01-24 2018-06-29 重庆工业职业技术学院 一种汽车基本电路故障诊断考核系统及方法
CN110390841A (zh) * 2018-04-19 2019-10-29 南京梦宇三维技术有限公司 数字病人的问诊训练方法、终端与系统
CN109256007A (zh) * 2018-11-28 2019-01-22 北京航天自动控制研究所 一种航天测控系统操作人员模拟训练系统及训练方法
CN110017857A (zh) * 2019-04-04 2019-07-16 广东工业大学 基于自适应学习与神经网络的非线性传感器故障诊断方法
CN110488150A (zh) * 2019-08-09 2019-11-22 国网河北省电力有限公司沧州供电分公司 一种基于多算法融合的故障智能诊断方法
CN110610310A (zh) * 2019-09-10 2019-12-24 北京字节跳动网络技术有限公司 一种教学考核的方法、装置、介质和电子设备
CN110619777A (zh) * 2019-09-26 2019-12-27 重庆三原色数码科技有限公司 基于vr技术的刑侦勘验实战智能训练考核系统及创建方法
CN110794243A (zh) * 2019-11-14 2020-02-14 南方电网科学研究院有限责任公司 一种直流系统故障诊断方法、系统以及设备
CN110940539A (zh) * 2019-12-03 2020-03-31 桂林理工大学 一种基于人工经验及声音识别的机器设备故障诊断方法
CN110995501A (zh) * 2019-12-17 2020-04-10 青岛博贤科技有限公司 一种基于数字化超短波模拟训练系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113561853A (zh) * 2021-06-08 2021-10-29 北京科技大学 燃料电池系统在线故障诊断方法及装置
CN113561853B (zh) * 2021-06-08 2023-10-10 北京科技大学 燃料电池系统在线故障诊断方法及装置

Also Published As

Publication number Publication date
CN111476374B (zh) 2022-09-27

Similar Documents

Publication Publication Date Title
CN100476391C (zh) 汽车自动变速箱故障检测实训系统及其方法
CN105453141B (zh) 用于检测电子系统中的故障的设备和方法
CN106886003A (zh) 电动汽车电池监控模块自动测试系统及方法
CN112925296B (zh) 一种基于人工智能的图形化车载网络诊断方法
CN104228603A (zh) 一种地址识别方法和装置
CN111476374B (zh) 基于神经网络的纯电动汽车电器故障诊断训练方法与装置
CN115166523B (zh) 移动式电池状态检测设备、系统和方法
CN108614217A (zh) 一种电池管理系统全自动测试系统及实现方法
CN102540018B (zh) Can总线耐久度和可靠性评估装置和方法
CN111562508A (zh) 在线检测电池包内部单体电池内阻异常的方法
CN112462742A (zh) 一种快速进行新能源汽车国标数据符合性模拟检测方法
CN117148154A (zh) 电池的异常状态或故障感测方法及执行其的电池管理系统
CN104216397B (zh) 智能驱动桥系统故障识别与检测的方法
CN213457287U (zh) 一种电池管理系统测试系统
CN107728594A (zh) 追溯系统和追溯方法
CN113538865A (zh) 基于数字孪生的五轴联动机床在线诊断预警系统及方法
CN112307647A (zh) 充电桩通信中断的测试方法、装置、存储介质及处理器
CN111239524A (zh) 用于汽车启动时电子模块的检测方法及系统
CN109164311A (zh) 故障检测方法和装置、电子设备
CN114896158A (zh) Bms的测试方法以及测试装置
CN116068437A (zh) 一种bms的热管理和sox测试方法
CN108414865A (zh) 一种高压线束的智能反馈系统
CN212229848U (zh) 一种汽车整车检测实训教学平台
CN114114017B (zh) 电池管理系统下电逻辑的测试方法、装置及系统
US20220180674A1 (en) Method and Apparatus for Determining Virtual Fault Code of Vehicle Controller

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