CN112162545B - 一种汽车故障诊断方法及系统 - Google Patents

一种汽车故障诊断方法及系统 Download PDF

Info

Publication number
CN112162545B
CN112162545B CN202011134946.9A CN202011134946A CN112162545B CN 112162545 B CN112162545 B CN 112162545B CN 202011134946 A CN202011134946 A CN 202011134946A CN 112162545 B CN112162545 B CN 112162545B
Authority
CN
China
Prior art keywords
vehicle
operation data
system operation
data information
state
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
Application number
CN202011134946.9A
Other languages
English (en)
Other versions
CN112162545A (zh
Inventor
赵祥模
方煜坤
闵海根
徐志刚
吴霞
王润民
孙朋朋
王武祺
程超轶
杨一鸣
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.)
Changan University
Original Assignee
Changan University
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 Changan University filed Critical Changan University
Priority to CN202011134946.9A priority Critical patent/CN112162545B/zh
Publication of CN112162545A publication Critical patent/CN112162545A/zh
Priority to US17/195,617 priority patent/US11780452B2/en
Application granted granted Critical
Publication of CN112162545B publication Critical patent/CN112162545B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • 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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/20—Integrity monitoring, fault detection or fault isolation of space segment
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/35—Constructional details or hardware or software details of the signal processing chain
    • G01S19/36—Constructional details or hardware or software details of the signal processing chain relating to the receiver frond end
    • 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
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • B60W2050/0037—Mathematical models of vehicle sub-units
    • 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
    • B60W2050/0215—Sensor drifts or sensor failures
    • 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
    • B60W2050/022—Actuator failures
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明公开了一种汽车故障诊断方法及系统，利用车辆正常行驶状态下的系统运行数据信息对车辆系统模型进行训练优化，对实时采集车辆行驶状态下的系统运行数据信息，并对车辆行驶状态下的系统运行数据信息进行传感器数据降噪及致命传感器故障的特征提取筛选并进行重构，将重构后的系统运行数据信息输入到训练优化后的车辆系统模型，输出系统状态数据与设定阈值对比，若超出设定阈值，则该系统状态数据对应的系统执行器存在故障，通过对采集的系统运行数据进行传感器数据降噪及致命传感器故障的特征提取筛，能够有效检测传感器数据的致命异常以及汽车运行状态的异常，利用系统运行数据对应的位置实现汽车故障定位，大大提高了汽车故障诊断的可靠性。

Description

一种汽车故障诊断方法及系统
技术领域
本发明属于系统故障诊断领域，涉及智能汽车传感器数据分析，具体涉及一种汽车故障诊断方法及系统。
背景技术
智能汽车技术融合了传感器技术、计算机技术、通信技术、信息处理技术、控制技术等诸多领域的高科技技术。其在交通运输领域有着巨大的发展潜力，前景被普遍看好。然而，智能汽车的安全性问题一直没有得到很好地解决，目前也没有系统化的理论支撑。从实践角度出发，设计针对智能汽车的故障诊断方法对于解决智能汽车安全性问题有着重要的意义。
现有的针对智能汽车的故障诊断方法多由传统工业过程中故障诊断方法迁移而来，主要包括基于模型的方法、基于信号的方法和数据驱动的方法。但是针对智能汽车这样的复杂系统，单一方法难以对车辆各子系统可能产生的故障作出有效诊断。此外，故障的定位也是智能汽车故障诊断中的难点，仅仅通过分析智能汽车搭载的各种传感器数据往往很难对发生故障的子系统进行较为精准的定位。
发明内容
本发明的目的在于提供一种汽车故障诊断方法及系统，以克服现有技术的不足。
为达到上述目的，本发明采用如下技术方案：
一种汽车故障诊断方法，包括以下步骤：
步骤1)、建立车辆系统模型，获取车辆正常行驶状态下的系统运行数据信息，利用车辆正常行驶状态下的系统运行数据信息对车辆系统模型进行训练优化；
步骤2)、实时采集车辆行驶状态下的系统运行数据信息，并对车辆行驶状态下的系统运行数据信息进行传感器数据降噪及致命传感器故障的特征提取筛选并进行重构，若筛选出特征属于致命传感器故障，则输出该特征对应的系统单元传感器信息；将重构后的系统运行数据信息输入到训练优化后的车辆系统模型，车辆系统模型输出即为车辆行驶状态下系统状态数据，系统状态数据与设定阈值对比，若超出设定阈值，则该系统状态数据对应的系统执行器存在故障，输出结果，完成汽车故障诊断。
进一步的，通过利用车辆控制系统存储介质获取车辆正常行驶状态下的系统运行数据信息，提取系统运行数据信息中的有用字段并对有用字段进行数据清洗和数据变换。
进一步的，进行数据清洗过程是对不完整记录直接进行了去除操作，将重复记录的信息合并后保留一条；数据变换是将直接提取的字段进行数学变换得到需要的验证信息。
进一步的，在对车辆系统模型进行训练优化前，对车辆正常行驶状态下的系统运行数据信息进行传感器数据降噪及致命传感器故障的特征提取筛选。
进一步的，利用离散小波变换方法在不同尺度上对获取的车辆正常行驶状态下的系统运行数据信息进行特征提取，再利用逼近系数和部分细节系数对提取的特征重构信号，得到降噪后的系统运行数据信息；采用阈值法对获取的车辆正常行驶状态下的系统运行数据信息进行信号重构。
进一步的，利用离散小波变换方法在不同尺度上对获取的车辆正常行驶状态下的系统运行数据信息进行特征提取时使用滑窗机制进行离散小波变换处理。
进一步的，车辆系统模型包括多个子系统模型，每个子系统模型对应车辆一个独立的执行器。
进一步的，致命传感器错误的检测根据下面两个式子进行判决：
Figure BDA0002736364370000031
Figure BDA0002736364370000032
其中thBM和thJ为两个设定的阈值，分别为3和1×10-6，W，Wj为两个滑窗的尺寸，分别为100和50，di代表i时刻经过DWT操作得到的三级细节系数，x(k)代表k时刻的传感器数据。
一种汽车故障诊断系统，包括传感器状态监测模块、车辆状态异常侦测模块和执行器错误测试模块；
传感器状态监测模块用于车辆行驶状态下的系统运行数据信息，并将获取的系统运行数据信息传输至车辆状态异常侦测模块和执行器错误测试模块，执行器错误测试模块对系统运行数据信息进行筛选识别，若筛选出特征属于致命传感器故障，则输出该特征对应的系统单元传感器信息；车辆状态异常侦测模块用于对系统运行数据信息进行判定识别，若在车辆行驶状态下的系统运行数据信息下获取的系统状态数据超出设定阈值，则该系统状态数据对应的系统执行器存在故障，输出判定结果。
与现有技术相比，本发明具有以下有益的技术效果：
本发明一种汽车故障诊断方法，通过建立车辆系统模型，获取车辆正常行驶状态下的系统运行数据信息，利用车辆正常行驶状态下的系统运行数据信息对车辆系统模型进行训练优化，对实时采集车辆行驶状态下的系统运行数据信息，并对车辆行驶状态下的系统运行数据信息进行传感器数据降噪及致命传感器故障的特征提取筛选并进行重构，若筛选出特征属于致命传感器故障，则输出该特征对应的系统单元传感器信息；将重构后的系统运行数据信息输入到训练优化后的车辆系统模型，车辆系统模型输出即为车辆行驶状态下系统状态数据，系统状态数据与设定阈值对比，若超出设定阈值，则该系统状态数据对应的系统执行器存在故障，通过对采集的系统运行数据进行传感器数据降噪及致命传感器故障的特征提取筛，能够有效检测传感器数据的致命异常以及汽车运行状态的异常，利用系统运行数据对应的位置实现汽车故障定位，大大提高了汽车故障诊断的可靠性。
进一步的，将离散小波变换用于传感器故障特征提取和数据降噪，采用滑窗机制能够大大提高数据的准确性。
进一步的，车辆系统模型包括多个子系统模型，每个子系统模型对应车辆一个独立的执行器，可对独立的子系统分别进行传感器数据降噪及致命传感器故障的特征提取筛，快速筛选出故障对应子系统位置。
本发明一种汽车故障诊断系统，利用传感器状态监测模块用于车辆行驶状态下的系统运行数据信息，并将获取的系统运行数据信息传输至车辆状态异常侦测模块和执行器错误测试模块，执行器错误测试模块对系统运行数据信息进行筛选识别，若筛选出特征属于致命传感器故障，则输出该特征对应的系统单元传感器信息；车辆状态异常侦测模块用于对系统运行数据信息进行判定识别，若在车辆行驶状态下的系统运行数据信息下获取的系统状态数据超出设定阈值，则该系统状态数据对应的系统执行器存在故障，输出判定结果，能够快速准确的实现汽车故障的诊断。
附图说明
图1为本发明实施例中系统结构示意图。
图2为本发明实施例中GNSS天线安装示意图。
图3为本发明实施例中对传感器数据错误的特征提取，图3a为偏离信号经过DWT分解示意图，图3b为阻塞信号经过DWT分解示意图，图3c为数据帧丢失信号经过DWT分解示意图。
图4为本发明实施例中神经网络搭建结构示意图。
图5为本发明实施例中二维模糊PID控制器系统结构示意图。
图6为本发明实施例中汽车故障诊断流程示意图。
具体实施方式
下面结合附图对本发明做进一步详细描述：
如图1所示，一种汽车故障诊断方法，包括以下步骤：
步骤1)、建立车辆系统模型，获取车辆正常行驶状态下的系统运行数据信息，利用车辆正常行驶状态下的系统运行数据信息对车辆系统模型进行训练优化；
具体的，通过利用车辆控制系统存储介质获取车辆正常行驶状态下的系统运行数据信息，提取系统运行数据信息中的有用字段并对有用字段进行数据清洗和数据变换。
具体的，进行数据清洗过程是对不完整记录直接进行了去除操作，将重复记录的信息合并后保留一条；数据变换是将直接提取的字段进行数学变换得到需要的验证信息。
在对车辆系统模型进行训练优化前，对车辆正常行驶状态下的系统运行数据信息进行传感器数据降噪及致命传感器故障的特征提取筛选并进行重构，排除因致命传感器故障导致车辆系统模型的优化训练缺陷；
具体的，利用离散小波变换方法在不同尺度上对获取的车辆正常行驶状态下的系统运行数据信息进行特征提取，再利用逼近系数和部分细节系数对提取的特征重构信号，得到降噪后的系统运行数据信息；采用阈值法对获取的车辆正常行驶状态下的系统运行数据信息进行信号重构。
步骤2)、实时采集车辆行驶状态下的系统运行数据信息，并对进行传感器数据降噪及致命传感器故障的特征提取筛选并进行重构，若筛选出特征属于致命传感器故障，则该特征对应的系统单元传感器需要更换；将重构后的系统运行数据信息输入到训练优化后的车辆系统模型，车辆系统模型输出即为车辆行驶状态下系统运行数据。根据车辆行驶状态下系统运行数据与设定阈值对比，若超出设定阈值，则该系统运行数据对应系统存在故障，需要报修处理。设定阈值即通过车辆正常行驶状态下的系统运行数据信息对车辆系统模型进行训练优化，对其输入输出关系进行系统逼近结果。
车辆系统模型包括多个子系统模型，每个子系统模型对应车辆一个独立的执行器。
实施例：
本实施例中，采集的传感器信息选择以全球导航卫星系统(Global NavigationSatellite System，简写GNSS)信息为例，执行器数据选择以汽车液压刹车系统为例，具体阐述该智能汽车故障诊断方法的实施。
对于GNSS运行数据信息的采集：所采用的数据采集装置包括安装于车内的MEMS(微机电系统)组合导航系统，一套接收卫星信号的GNSS天线，一台记录组合导航系统GNSS日志的工控计算机及上述装置配套的供电设备。设备安装如图2所示，将标定好的组合导航系统以及工控计算机放置于车厢后部固定，通过馈线与GNSS天线相连接。GNSS天线分别旋拧到两个强磁吸盘上并分别固定摆放在测试载体的前进方向和后退方向上，以保证能够接收到良好的GNSS信号，同时要保证两个GNSS天线相位中心形成的连线与测试载体中心轴线方向一致或平行。
对于液压刹车运行数据信息的采集：液压刹车运行数据信息包括刹车时的油压、刹车时的速度、刹车时刻和车辆刹停时刻数据，所采用的数据采集装置为车载CAN总线分析仪；将智能汽车CAN总线接入分析仪，并用USB连接线与计算机相连，就可以从CAN总线读取车辆行驶时的有关数据。
步骤1，系统运行数据信息的提取并对提取的系统运行数据信息进行预处理：
本申请实施例中系统运行数据信息包括GNSS运行数据信息和液压刹车运行数据信息，对GNSS运行数据信息和液压刹车运行数据信息分别提取有用字段并进行数据清洗和数据变换，为后续车辆系统模型的训练做准备。
对于GNSS运行数据信息，提取的有用字段包括协议头、采样时刻、纬度、经度、航向角、东向速度和北向速度；对于采集的液压刹车运行数据信息，提取的有用字段包括刹车油压，刹车时刻，刹车时的速度以及车辆刹停(速度为0)时刻。字段提取后的文件仍然存在许多问题，不能直接作为输入送给车辆系统模型进行训练。这些问题包括记录的不完整、缺失以及重复。针对不完整记录直接进行了去除操作，重复记录的信息合并保留一条。后续车辆系统模型训练或验证需要用到的输入数据包括：车辆无人驾驶状态下的速度和角速度，刹车油压，刹车时的速度，刹车时的平均加速度。将属性无法直接从提取的字段中得到，需利用提取的字段进行一定变换后才能得到。
具体的变换方法包括：
(1)速度信息由东向速度和北向速度变换得到，记东向速度为ve，北向速度为vn，则速度值的大小为：
Figure BDA0002736364370000081
(2)角速度信息通过计算两个连续采样时刻航向角的差商得到：考虑到航向角360°和0°实际上表示的是同样的航向角，但是数值上却表现为突变，因而计算之前，利用MATLAB R2016a平台的相位展开(unwrap)功能，避免两个连续时间帧之间的这种突变，再计算差商，计算公式为：
Figure BDA0002736364370000082
这里，ωk代表了k时刻的角速度，tk，tk-1代表两个连续的采样时刻，
Figure BDA0002736364370000083
Figure BDA0002736364370000084
分别代表k时刻和k-1时刻的航向角。
(3)刹车时的平均加速度由刹车时的速度，刹车时刻，刹停时刻计算得来，记平均加速度为a，刹车时的速度为vs刹车时刻为t0，刹停时刻为t1，则
a＝vs/(t1-t0) (3)
步骤2，传感器数据降噪及致命传感器故障的特征提取筛选：
利用离散小波变换(DWT)的多分辨分析能力，在不同尺度上对系统运行数据信息进行特征提取，再利用逼近系数(approximation coefficients，又称低频系数)和部分细节系数(detail coefficients，又称高频系数)重构信号，可以得到降噪后的系统运行数据信息。采用阈值法对获取的车辆正常行驶状态下的系统运行数据信息进行信号重构，即大于阈值的细节系数被置零，再逆小波变换即得到重构信号，阈值的选取由经验公式：
Figure BDA0002736364370000085
其中，th即判决的阈值，std(x)为信号x的标准差，N为信号长度。实际中为了方便调节阈值，常常在(4)式中添加调节系数α(一般在1左右)，即
Figure BDA0002736364370000091
所谓致命传感器错误，指当这些错误发生时，意味着传感器自身或者与之相关的电子器件(比如电源)处于异常状态，比如传感器内部元件损坏和供电故障，一旦发生致命传感器错误，传感器就无法正常工作，智能车辆也因为无法对环境进行有效感知而无法工作，需要根据致命传感器错误对相应的传感器进行更换处理。这些常见的致命故障表现形式包括：偏离(Bias，与实际值之间存在固定偏差)、阻塞(Jam，传感器输出是一个常值)、数据帧丢失(Miss，一段时间内缺少可用的传感器数据)，它们的有关特征可以通过离散小波变换进行提取，如图3所示。考虑到智能汽车工作状态下，传感器数据是序贯到达的，在进行DWT操作时使用滑窗机制，即每次只对一定长度的数据而非所有数据进行离散小波变换处理。致命传感器错误的检测可以根据下面两个式子进行判决：
Figure BDA0002736364370000092
Figure BDA0002736364370000093
其中thBM和thJ为两个设定的阈值，分别为3和1×10-6，W，Wj为两个滑窗的尺寸，分别为100和50，di代表i时刻经过DWT操作得到的三级细节系数(这里的离散小波变换对数据在三个层次上进行分解)，x(k)代表k时刻的传感器数据。如果(6)式成立，说明检测到了‘偏离’错误或者‘数据帧丢失’错误；如果(7)式成立，说明检测到了‘阻塞’错误。
步骤3，车辆状态异常侦测模块构建，即车辆系统模型的构建以及训练优化：
在超限学习框架下，利用步骤1中得到的车辆正常行驶状态下的速度和角速度数据，训练自动编码器，训练完成的自动编码器可以对新的样本进行模式对比，识别出明显偏离正常工作状态的数据。具体包括以下步骤：
步骤3.1，自动编码器的线下训练：自动编码器的结构本质上就是神经网络，即本申请需要构建的车辆系统模型，如图4所示，最基本的编码和解码操作则分别由(8)式和(9)式描述，这里，w和b分别代表车辆系统模型中网络的权重矩阵和偏置向量，g是激活函数。输入向量X＝[x1,x2,…,xd]T被编码成h＝[h1,h2,…,hL]T的形式，再由输出权重矩阵β解码为
Figure BDA0002736364370000101
Figure BDA0002736364370000102
Figure BDA0002736364370000103
Figure BDA0002736364370000104
Figure BDA0002736364370000105
自动编码器的特点是网络的输入和目标输出(或者说标签)一致，通过最小化由(10)式定义的重构误差来重构输入数据，学习正常数据的模式。训练该模型时只用健康数据(即本申请中车辆正常行驶状态下的系统运行数据信息)作为输入和目标输出。训练完毕后，对于与训练数据模式类似的输入数据(即正常数据)，模型可以很好地重构该数据，反之重构的数据将与输入有着很大的误差。依据重构误差的大小，就可以对样本点是否异常进行判断。
训练采用超限学习框架，该框架下隐藏层参数β*基于最小二乘法直接计算得到：
Figure BDA0002736364370000106
这里，H＝[hT(x1),…,hT(xd)]T，
Figure BDA0002736364370000107
是矩阵H的Moore-Penrose广义逆；模型的输出y表示为
Figure BDA0002736364370000111
步骤3.2，车辆状态检测：对于智能汽车而言，输入向量X可以由速度v和角速度ω来描述，代表了采样时刻车辆的状态(速度v刻画纵向状态，角速度ω刻画横向状态)。对于样本点是否异常(异于正常数据的模式)，可以通过计算模型输出y的2-范数来判断，即对于一个新的样本Xnew＝[vnew,ωnew]T，决策变量可以形式化为：
D＝sign(δ-‖y-Xnew‖) (13)
式子中δ为根据实际情况调试出来的阈值，这里可以取5，sign表示符号函数，D为决策变量，D如果为-1认为车辆当前状态较正常状态有明显偏离。
步骤4，执行器的系统逼近：本实施例以液压刹车系统为例阐述执行器的系统逼近；搭建一个含有两个隐藏层的全连接神经网络，每个隐藏层16个节点，输入层输出层节点数与对应的输入输出维度相同。利用步骤1中得到的刹车时的油压和刹车时的速度作为输入数据，刹车时的平均加速度作为输出数据训练该网络，激活函数采用ReLU函数，权重参数及偏置参数开始时随机初始化，随着训练过程的进行不断修正。训练过程中使用到反向传播(Back Propagation，BP)方法，回传过程采用自适应动量(Adam)方法；当模型输出与实际值之间的均方误差值小于1e-3时，停止训练。
步骤5，模糊PID控制器的搭建：控制器结构如图5所示。该控制器是一个二维控制器，主要由一个PID控制器和模糊推理系统构成，模糊推理系统以误差e和误差变化率ec作为输入，根据推理规则在线调节PID控制器的三个参数Kp,Ki,Kd；模糊集定义为{NB,NM,NS,ZO,PS,PM,PB}，分别代表负大，负中，负小，零，正小，正中，正大。针对每个独立的执行器，模糊规则有所不同，对刹车系统，借鉴刹车系统的有关知识及实际经验，给出Kp,Ki,Kd的模糊规则(表1-表3)。
表1 Kp的模糊规则表
Figure BDA0002736364370000121
表2 Ki的模糊规则表
Figure BDA0002736364370000122
表格3 Kd的模糊规则表
Figure BDA0002736364370000123
模糊规则确定后，隶属度函数的选择会对控制器的性能有较大影响，具体选择哪一种隶属度函数要根据实际情况来确定。通常，如果追求系统响应的灵敏度，可以选择形状较为尖锐的隶属度函数；反之，如果追求系统响应的稳定，可以选择形状变化较为平缓的隶属度函数，本实施例选择采用三角形隶属度函数，推理规则采用Mamdani模糊推理规则，最后通过重心解模糊化方法得到PID控制器的三个参数Kp,Ki,Kd。
步骤6，执行器故障定位：对于每一个执行器，都用一个神经网络在其健康状态下对其输入输出关系进行系统逼近，训练完毕后将之作为实际执行器单元的参考系统；控制器同时作用在实际执行器和参考系统上，如果实际系统发生故障，其输出同正常状态会存在较大偏差，控制器为了尽可能让受控对象达到期望的性能，其输出较正常状态会有一个较大的变化。即，一旦有故障发生，针对实际执行器的控制器输出和针对参考系统的控制器输出会出现非常明显的差异。以刹车系统为例，参考图6，控制器的输入为执行器输出y和参考输入r的误差及误差变化率，产生控制器输出u；与此同时，并行地将参考系统的输出yref和参考输入r的误差及误差变化率也作为控制器输入，产生控制器输出uref。如果该执行器异常，即性能(或者输出)达不到预期，u和uref之间将会显著地不同，将这种偏差ud定义为：
Figure BDA0002736364370000131
这里，
Figure BDA0002736364370000132
和
Figure BDA0002736364370000133
是标准化后的u和uref，‖·‖为某种范数，这里取2-范数。如果ud大于某个阈值uth，就认为该执行器异常，系统将报警并将这个特定的执行器异常信息记入日志。错误定位完毕后，车辆缓慢减速并靠边停车，视具体的错误情况做后续处理。
结合步骤4，5，对于模糊PID控制器，针对实际刹车系统的输出u＝[Kp,Ki,Kd]T，将这三个分量标准化到[0,1]区间即得到
Figure BDA0002736364370000134
同理可得到针对参考系统的输出uref和
Figure BDA0002736364370000135
对
Figure BDA0002736364370000136
和
Figure BDA0002736364370000137
各自分量对应相减之后求2-范数，和设定的阈值uth(本实施例取阈值为2)进行比较，大于阈值即认为实际的刹车系统有较大可能存在故障，并将故障事件记录到日志，发出报警提示。

Claims (5)

1.一种汽车故障诊断方法，其特征在于，包括以下步骤：
步骤1)、建立车辆系统模型，获取车辆正常行驶状态下的系统运行数据信息，利用车辆正常行驶状态下的系统运行数据信息对车辆系统模型进行训练优化；通过利用车辆控制系统存储介质获取车辆正常行驶状态下的系统运行数据信息，提取系统运行数据信息中的有用字段并对有用字段进行数据清洗和数据变换，进行数据清洗过程是对不完整记录直接进行了去除操作，将重复记录的信息合并后保留一条；数据变换是将直接提取的字段进行数学变换得到需要的验证信息；
步骤2)、实时采集车辆行驶状态下的系统运行数据信息，并对车辆行驶状态下的系统运行数据信息进行传感器数据降噪及致命传感器故障的特征提取筛选并进行重构，若筛选出特征属于致命传感器故障，则输出该特征对应的系统单元传感器信息；将重构后的系统运行数据信息输入到训练优化后的车辆系统模型，车辆系统模型输出即为车辆行驶状态下系统状态数据，系统状态数据与设定阈值对比，若超出设定阈值，则该系统状态数据对应的系统执行器存在故障，输出结果，完成汽车故障诊断；在对车辆系统模型进行训练优化前，对车辆正常行驶状态下的系统运行数据信息进行传感器数据降噪及致命传感器故障的特征提取筛选；利用离散小波变换方法在不同尺度上对获取的车辆正常行驶状态下的系统运行数据信息进行特征提取，再利用逼近系数和部分细节系数对提取的特征重构信号，得到降噪后的系统运行数据信息；采用阈值法对获取的车辆正常行驶状态下的系统运行数据信息进行信号重构。
2.根据权利要求1所述的一种汽车故障诊断方法，其特征在于，利用离散小波变换方法在不同尺度上对获取的车辆正常行驶状态下的系统运行数据信息进行特征提取时使用滑窗机制进行离散小波变换处理。
3.根据权利要求1所述的一种汽车故障诊断方法，其特征在于，车辆系统模型包括多个子系统模型，每个子系统模型对应车辆一个独立的执行器。
4.根据权利要求1所述的一种汽车故障诊断方法，其特征在于，致命传感器错误的检测根据下面两个式子进行判决：
Figure FDA0003336037910000021
Figure FDA0003336037910000022
其中thBM和thJ为两个设定的阈值，分别为3和1×10-6，W，Wj为两个滑窗的尺寸，分别为100和50，di代表i时刻经过DWT操作得到的三级细节系数，x(k)代表k时刻的传感器数据。
5.一种用于权利要求1所述汽车故障诊断方法 的汽车故障诊断系统，其特征在于，包括传感器状态监测模块、车辆状态异常侦测模块和执行器错误测试模块；
传感器状态监测模块用于获取车辆行驶状态下的系统运行数据信息，并将获取的系统运行数据信息传输至车辆状态异常侦测模块和执行器错误测试模块，执行器错误测试模块对系统运行数据信息进行筛选识别，若筛选出特征属于致命传感器故障，则输出该特征对应的系统单元传感器信息；车辆状态异常侦测模块用于对系统运行数据信息进行判定识别，若在车辆行驶状态下的系统运行数据信息中获取的系统状态数据超出设定阈值，则该系统状态数据对应的系统执行器存在故障，输出判定结果。
CN202011134946.9A 2020-10-21 2020-10-21 一种汽车故障诊断方法及系统 Active CN112162545B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011134946.9A CN112162545B (zh) 2020-10-21 2020-10-21 一种汽车故障诊断方法及系统
US17/195,617 US11780452B2 (en) 2020-10-21 2021-03-08 Method and system for fault diagnoses of intelligent vehicles

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011134946.9A CN112162545B (zh) 2020-10-21 2020-10-21 一种汽车故障诊断方法及系统

Publications (2)

Publication Number Publication Date
CN112162545A CN112162545A (zh) 2021-01-01
CN112162545B true CN112162545B (zh) 2021-12-14

Family

ID=73867797

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011134946.9A Active CN112162545B (zh) 2020-10-21 2020-10-21 一种汽车故障诊断方法及系统

Country Status (2)

Country Link
US (1) US11780452B2 (zh)
CN (1) CN112162545B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113221435A (zh) * 2021-02-08 2021-08-06 中国核电工程有限公司 传感器的筛选方法及装置、传感器数据重构方法及系统
CN113093670A (zh) * 2021-03-25 2021-07-09 北京嘉联优控科技有限公司 一种仪控状态监控方法、系统及监控平台
CN113788023A (zh) * 2021-09-28 2021-12-14 广州杰赛科技股份有限公司 车辆驾驶故障检测方法、装置、设备及存储介质
CN114237193A (zh) * 2021-10-28 2022-03-25 北京蜂云科创信息技术有限公司 一种基于高维数据诊断车辆异常的方法及系统
CN114543839A (zh) * 2022-02-25 2022-05-27 中国第一汽车股份有限公司 一种车载导航故障诊断系统及方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7260501B2 (en) * 2004-04-21 2007-08-21 University Of Connecticut Intelligent model-based diagnostics for system monitoring, diagnosis and maintenance
CN101263499B (zh) * 2005-07-11 2013-03-27 布鲁克斯自动化公司 智能状态监测和故障诊断系统
CN102680017A (zh) * 2012-05-31 2012-09-19 潍柴动力股份有限公司 一种传感器故障诊断方法及诊断装置
CN103455026B (zh) 2013-08-23 2016-02-03 王绍兰 一种车辆故障诊断和预警方法及装置
CN106527403B (zh) * 2016-12-13 2019-01-08 象翌微链科技发展有限公司 车辆智能诊断方法及装置
CN106934876B (zh) * 2017-03-16 2019-08-20 广东翼卡车联网服务有限公司 一种车辆异常驾驶事件的识别方法及系统
US11709939B2 (en) * 2018-05-04 2023-07-25 New York University Anomaly detection in real-time multi-threaded processes on embedded systems and devices using hardware performance counters and/or stack traces
CN108762230A (zh) * 2018-05-29 2018-11-06 江南大学 一种基于嵌入式的便携式汽车故障诊断装置及方法
KR20200041098A (ko) * 2018-10-11 2020-04-21 현대자동차주식회사 파워 트레인 부품 고장 진단 방법
CN110501169A (zh) 2019-08-27 2019-11-26 北理慧动（常熟）车辆科技有限公司 车辆故障的诊断方法、装置及电子设备
CN110658807A (zh) 2019-10-16 2020-01-07 上海仁童电子科技有限公司 一种车辆故障诊断方法、装置及系统
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

Also Published As

Publication number Publication date
US11780452B2 (en) 2023-10-10
CN112162545A (zh) 2021-01-01
US20220118987A1 (en) 2022-04-21

Similar Documents

Publication Publication Date Title
CN112162545B (zh) 一种汽车故障诊断方法及系统
CN111504676B (zh) 基于多源监控数据融合的设备故障诊断方法、装置及系统
Zheng Wang
CN109129574B (zh) 服务机器人运动系统云端故障诊断系统及方法
CN113128561A (zh) 一种机床轴承故障诊断方法
CN110554657A (zh) 一种数控机床运行状态健康诊断系统及诊断方法
WO2022052510A1 (zh) 一种无菌灌装生产线异常检测系统和方法
CN114585983B (zh) 用于检测设备的异常运行状态的方法、装置和系统
CN108490923A (zh) 用于电气牵引系统的微小故障检测与定位的系统设计方法
CN114239377A (zh) 一种城轨机电设备健康状态评估方法、系统及存储介质
CN113514109A (zh) 一种无人机飞行故障检测方法和系统
CN103646013B (zh) 一种基于协方差矩阵范数逼近的多重故障重构方法
Fang et al. A fault diagnosis framework for autonomous vehicles based on hybrid data analysis methods combined with fuzzy PID control
CN110525513B (zh) 一种线控转向系统的故障监测方法和故障监测系统
Ahn Deep learning based anomaly detection for a vehicle in swarm drone system
Jia et al. Multitask convolutional neural network for rolling element bearing fault identification
CN113850138B (zh) 一种基于数据驱动的无人飞行器传感器故障检测方法、系统及装置
CN113086798B (zh) 基于门控循环网络和典型相关分析的电梯故障检测方法
CN111887004B (zh) 一种杆状作物收割机器人控制方法
CN115032894A (zh) 一种基于T-S模糊数据驱动ToMFIR的高速列车悬挂故障诊断方法
CN113984114A (zh) 一种海洋浮式平台水下结构异常诊断方法
CN113761650A (zh) 一种柴电动力机车系统序贯概率比检验故障检测方法
CN113311810A (zh) 一种基于Kalman分解的分布式互联系统故障隔离方法
Zhong et al. Industrial robot vibration anomaly detection based on sliding window one-dimensional convolution autoencoder
CN115158399B (zh) 时序信号异常检测方法及系统

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