CN112464152A - 一种基于小波神经网络的车用电磁阀故障诊断方法 - Google Patents

一种基于小波神经网络的车用电磁阀故障诊断方法 Download PDF

Info

Publication number
CN112464152A
CN112464152A CN202011217728.1A CN202011217728A CN112464152A CN 112464152 A CN112464152 A CN 112464152A CN 202011217728 A CN202011217728 A CN 202011217728A CN 112464152 A CN112464152 A CN 112464152A
Authority
CN
China
Prior art keywords
neural network
electromagnetic valve
vehicle
network model
training
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
CN202011217728.1A
Other languages
English (en)
Inventor
项超鹏
毛佳妮
谢珂
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.)
China Jiliang University
Original Assignee
China Jiliang 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 China Jiliang University filed Critical China Jiliang University
Priority to CN202011217728.1A priority Critical patent/CN112464152A/zh
Publication of CN112464152A publication Critical patent/CN112464152A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/0092—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring current only
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/005—Testing of electric installations on transport means
    • G01R31/006—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于小波神经网络的车用电磁阀故障诊断方法，涉及电磁阀故障诊断技术领域，包括以下步骤：预先采集电流传感器电流信息作为原始数据，并使用三层小波包对原始数据进行分解重构，获取信号集合，基于信号集合标定能量值，并构造特征值，得到特征向量将获取的特征向量筛选部分高区分度的特征值，分别作为训练样本和测试样本；建立BP神经网络模型，并选取训练样本进行训练，训练完成后将测试样本对BP神经网络模型进行测试，确定优化BP神经网络模型，用于判别故障分析诊断。本发明实现对电磁阀启动使用状况进行实施监测，诊断精确度高，可直接判别电磁阀是否安全，车辆能否正常使用，确保车内人员的安全。

Description

一种基于小波神经网络的车用电磁阀故障诊断方法
技术领域
本发明涉及电磁阀故障诊断技术领域，具体来说，涉及一种基于小波神经网络的车用电磁阀故障诊断方法。
背景技术
电磁阀是汽车制动产品的核心部件，其主要功能是通过控制电磁阀线圈通电，实现电磁阀的开闭，从而实现内部管路的隔断和连通。此外，常开电磁阀作为线控制动产品中的增压阀，配合线圈还可实现输出管路阶梯增压功能，常闭电磁阀阀作为线控产品中的减压阀，配合线圈还可实现输出管路阶梯减压的功能。
电磁阀是热泵空调系统的关键部件，其安全可靠的运行将决定热泵空调系统的性能，而对于新能源汽车而言将关乎车内人员的生命安全。随着社会发展，对车用电磁阀开展故障诊断显得尤为重要。
因此，亟需一种基于小波神经网络的车用电磁阀故障诊断方法。
检索中国发明专利CN111707425A公开了一种汽车刹车用电磁阀的密封性能检测设备，包括气密性检漏仪，所述的气密性检漏仪通过气管与真空泵和气源相连，所述的气密性检漏仪通过气管与常开阀密封性检测工装或常闭阀密封性检测工装相连，所述的常开阀密封性检测工装和常闭阀密封性检测工装均包括上下套接的上底座和下底座，所述的上底座和下底座之间安装有常开阀测试组件或者常闭阀测试组件。本发明可以实现快速检测电磁阀阀芯和阀口零件的密封性，有助于提高后期生产线装配时电磁阀成品的合格率。但其仅对电磁阀密封进行检测，无法对电磁阀启动使用状况进行实施监测，存在一定局限性。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题，本发明提出一种基于小波神经网络的车用电磁阀故障诊断方法，以克服现有相关技术所存在的上述技术问题。
本发明的技术方案是这样实现的：
一种基于小波神经网络的车用电磁阀故障诊断方法，包括以下步骤：
步骤S1，预先采集电流传感器电流信息作为原始数据，并使用三层小波包对原始数据进行分解重构，获取信号集合；
步骤S2，基于信号集合标定能量值Ei，并构造特征值Ti，得到特征向量T＝[T0,T1…Ti…T7]，表示为：
Figure BDA0002760989570000021
Figure BDA0002760989570000022
其中，n为总采样点，k为采样点；△t为采样时间；
步骤S3，将获取的特征向量筛选部分高区分度的特征值T＝[Tx,Ty,Tz]，分别作为训练样本和测试样本；
步骤S4，建立BP神经网络模型，并选取训练样本进行训练，训练完成后将测试样本对BP神经网络模型进行测试，确定优化BP神经网络模型，用于判别故障分析诊断。
进一步的，步骤所述预先采集电流传感器电流信息作为原始数据，包括以下步骤：
采集电流传感器故障件电流信息和正常件电流信息作为原始数据信息；
获取外置串联小电阻采集电压值并作为原始数据。
进一步的，所述信号集合，包括对原始数据进行分解，表示为：
[X0(3,0)、X1(3,1)…Xi(3,i)...X7(3,7)]。
进一步的，步骤所述建立BP神经网络模型，还包括以下步骤：
设置初始隐含层数和隐含层；
确定输出层传递函数；
确定迭代次数。
本发明的有益效果：
本发明基于小波神经网络的车用电磁阀故障诊断方法，通过预先采集电流传感器电流信息作为原始数据，并使用三层小波包对原始数据进行分解重构，获取信号集合，基于信号集合标定能量值，并构造特征值，得到特征向量将获取的特征向量筛选部分高区分度的特征值，分别作为训练样本和测试样本；建立BP神经网络模型，并选取训练样本进行训练，训练完成后将测试样本对BP神经网络模型进行测试，确定优化BP神经网络模型，用于判别故障分析诊断，实现对电磁阀启动使用状况进行实施监测，诊断精确度高，可直接判别电磁阀是否安全，车辆能否正常使用，确保车内人员的安全。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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是根据本发明实施例的一种基于小波神经网络的车用电磁阀故障诊断方法的流程示意图；
图2是根据本发明实施例的一种基于小波神经网络的车用电磁阀故障诊断方法的判定示意图；
图3是根据本发明实施例的一种基于小波神经网络的车用电磁阀故障诊断方法的三层小波包分解示意图；
图4是根据本发明实施例的一种基于小波神经网络的车用电磁阀故障诊断方法的热泵空调系统示意图；
图5是根据本发明实施例的一种基于小波神经网络的车用电磁阀故障诊断方法的单一控制示意图；
图6是根据本发明实施例的一种基于小波神经网络的车用电磁阀故障诊断方法的并联控制示意图。
具体实施方式
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所获得的所有其他实施例，都属于本发明保护的范围。
根据本发明的实施例，提供了一种基于小波神经网络的车用电磁阀故障诊断方法。
如图1-图3所示，根据本发明实施例的基于小波神经网络的车用电磁阀故障诊断方法，包括以下步骤：
步骤S1，预先采集电流传感器电流信息作为原始数据，并使用三层小波包对原始数据进行分解重构，获取信号集合；
步骤S1，基于信号集合标定能量值Ei，并构造特征值Ti，得到特征向量T＝[T0,T1…Ti…T7]，表示为：
Figure BDA0002760989570000041
Figure BDA0002760989570000042
其中，n为总采样点，k为采样点；△t为采样时间；
步骤S3，将获取的特征向量筛选部分高区分度的特征值T＝[Tx,Ty,Tz]，分别作为训练样本和测试样本；
步骤S4，建立BP神经网络模型，并选取训练样本进行训练，训练完成后将测试样本对BP神经网络模型进行测试，确定优化BP神经网络模型，用于判别故障分析诊断。
其中，步骤所述预先采集电流传感器电流信息作为原始数据，包括以下步骤：
采集电流传感器故障件(阀芯卡滞、铁芯弹簧断裂，阀芯卡死等)电流信息和正常件电流信息作为原始数据信息；
获取外置串联小电阻采集电压值并作为原始数据。
其中，所述信号集合，包括对原始数据进行分解，表示为：
[X0(3,0)、X1(3,1)…Xi(3,i)...X7(3,7)]。
其中，步骤所述建立BP神经网络模型，还包括以下步骤：
设置初始隐含层数和隐含层；
确定输出层传递函数；
确定迭代次数。
借助于上述技术方案，通过预先采集电流传感器电流信息作为原始数据，并使用三层小波包对原始数据进行分解重构，获取信号集合，基于信号集合标定能量值，并构造特征值，得到特征向量将获取的特征向量筛选部分高区分度的特征值，分别作为训练样本和测试样本；建立BP神经网络模型，并选取训练样本进行训练，训练完成后将测试样本对BP神经网络模型进行测试，确定优化BP神经网络模型，用于判别故障分析诊断，实现对电磁阀启动使用状况进行实施监测，诊断精确度高，可直接判别电磁阀是否安全，车辆能否正常使用，确保车内人员的安全。
另外，具体的，如图4-图6所示，在一个实施例中，如图4所示，其热泵空调系统主要通过对几个电磁阀进行开断控制，实现功能的转化，对电磁阀的控制可以为单一控制，并联控制。
具体的，如图5所示，单一控制，每个电磁阀有其独自的控制程序及诊断程序，通过对每一个电磁阀进行监控、数据采集，使用BP神经网络模型进行判别是否存在故障，存在故障则提示，并根据故障情况，严重程度采取不同的措施，反之则无影响
具体的，如图6所示，并联控制，其三组电磁阀并联使用，使用同一控制程序控制。而后对整体电磁阀的输出进行数据采集，使用BP神经网络模型进行判别，并实施相应措施。
综上所述，借助于本发明的上述技术方案，实现对电磁阀启动使用状况进行实施监测，诊断精确度高，可直接判别电磁阀是否安全，车辆能否正常使用，确保车内人员的安全。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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 (4)

1.一种基于小波神经网络的车用电磁阀故障诊断方法，其特征在于，包括以下步骤：
预先采集电流传感器电流信息作为原始数据，并使用三层小波包对原始数据进行分解重构，获取信号集合；
基于信号集合标定能量值Ei，并构造特征值Ti，得到特征向量T＝[T0，T1…Ti…T7]，表示为：
Figure FDA0002760989560000011
Figure FDA0002760989560000012
其中，n为总采样点，k为采样点；△t为采样时间；
将获取的特征向量筛选部分高区分度的特征值T＝[Tx,Ty,Tz]，分别作为训练样本和测试样本；
建立BP神经网络模型，并选取训练样本进行训练，训练完成后将测试样本对BP神经网络模型进行测试，确定优化BP神经网络模型，用于判别故障分析诊断。
2.根据权利要求1所述的基于小波神经网络的车用电磁阀故障诊断方法，其特征在于，步骤所述预先采集电流传感器电流信息作为原始数据，包括以下步骤：
采集电流传感器故障件电流信息和正常件电流信息作为原始数据信息；
获取外置串联小电阻采集电压值并作为原始数据。
3.根据权利要求1所述的基于小波神经网络的车用电磁阀故障诊断方法，其特征在于，所述信号集合，包括对原始数据进行分解，表示为：
[X0(3,0)、X1(3,1)…Xi(3,i)...X7(3,7)]。
4.根据权利要求1所述的基于小波神经网络的车用电磁阀故障诊断方法，其特征在于，步骤所述建立BP神经网络模型，还包括以下步骤：
设置初始隐含层数和隐含层；
确定输出层传递函数；
确定迭代次数。
CN202011217728.1A 2020-11-04 2020-11-04 一种基于小波神经网络的车用电磁阀故障诊断方法 Pending CN112464152A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011217728.1A CN112464152A (zh) 2020-11-04 2020-11-04 一种基于小波神经网络的车用电磁阀故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011217728.1A CN112464152A (zh) 2020-11-04 2020-11-04 一种基于小波神经网络的车用电磁阀故障诊断方法

Publications (1)

Publication Number Publication Date
CN112464152A true CN112464152A (zh) 2021-03-09

Family

ID=74835894

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011217728.1A Pending CN112464152A (zh) 2020-11-04 2020-11-04 一种基于小波神经网络的车用电磁阀故障诊断方法

Country Status (1)

Country Link
CN (1) CN112464152A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103336189A (zh) * 2013-05-24 2013-10-02 中国人民解放军第二炮兵工程大学 一种基于电流检测的电磁阀故障诊断方法
CN103439653A (zh) * 2013-08-30 2013-12-11 中国人民解放军第二炮兵工程大学 一种基于驱动端电流检测的高速开关阀故障诊断方法
CN104502126A (zh) * 2014-12-28 2015-04-08 华东交通大学 一种基于模态区间的高速列车转向架故障诊断方法
CN111208436A (zh) * 2020-02-21 2020-05-29 河海大学 基于imf能量矩和遗传算法优化svm的储能电池过充诊断方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103336189A (zh) * 2013-05-24 2013-10-02 中国人民解放军第二炮兵工程大学 一种基于电流检测的电磁阀故障诊断方法
CN103439653A (zh) * 2013-08-30 2013-12-11 中国人民解放军第二炮兵工程大学 一种基于驱动端电流检测的高速开关阀故障诊断方法
CN104502126A (zh) * 2014-12-28 2015-04-08 华东交通大学 一种基于模态区间的高速列车转向架故障诊断方法
CN111208436A (zh) * 2020-02-21 2020-05-29 河海大学 基于imf能量矩和遗传算法优化svm的储能电池过充诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘林艳等: "基于小波分析的高速列车车体运行状态估计", 计算机应用研究, vol. 30, no. 10, 31 October 2013 (2013-10-31), pages 2948 - 2950 *
林圣;何正友;罗国敏;: "基于小波能量矩的输电线路暂态信号分类识别方法", 电网技术, no. 20, 20 October 2008 (2008-10-20) *

Similar Documents

Publication Publication Date Title
CN110212220B (zh) 一种燃料电池氢系统的储氢气瓶故障诊断方法
CN107655669B (zh) 气动调节阀机械性能检测装置及其检测方法
CN106335490B (zh) 纯电动汽车的制动液泄漏处理方法、装置及纯电动汽车
CN113442725B (zh) 一种动力电池热失控报警方法、系统和车辆
CN109901555B (zh) 一种车辆故障诊断方法、设备及存储介质
CN107907280B (zh) Abs液压单元密封性能测试装置及其测试方法
CN110375983A (zh) 基于时间序列分析的阀门故障实时诊断系统及诊断方法
CN111238725A (zh) 电空制动系统压力传感器的故障诊断方法、装置及系统
CN115268417A (zh) 一种自适应ecu故障诊断控制方法
JP3338712B2 (ja) 内燃機関の排気ガス再循環装置
CN100516815C (zh) 呼吸式安全阀性能的自动测试方法及其装置
CN112464152A (zh) 一种基于小波神经网络的车用电磁阀故障诊断方法
CN101241872B (zh) 一种分布式超声引线键合质量在线检测系统
CN109886439A (zh) 电控车辆远程诊断系统及其诊断方法
CN109374311A (zh) 一种比例继动阀综合测试装置及性能测试方法
CN114493393A (zh) 一种基于人工智能现场计算的多维度压力容器健康监测系统及其方法
CN115991180A (zh) 一种汽车制动系统故障诊断方法及系统
CN110031208B (zh) 中继阀故障诊断的方法及装置
CN105572493B (zh) 一种车载-地面辅助逆变器远程故障诊断系统
CN111325262A (zh) 用于分析汽车故障的方法和装置
CN109919337A (zh) 一种汽车故障诊断与指导方法及系统
CN114185321B (zh) 改进多分类孪生支持向量机的电动执行器故障诊断方法
CN211061137U (zh) 一种用于检测客车底盘制动系统气密性的装置
CN114488994A (zh) 一种提升车辆故障诊断鲁棒性的优化方法及装置
CN114720870A (zh) 基于相电流积分处理的多相电机绕组故障诊断方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210309