CN112486148B - 一种基于卷积记忆自编码网络的汽车故障诊断方法与系统 - Google Patents
一种基于卷积记忆自编码网络的汽车故障诊断方法与系统 Download PDFInfo
- Publication number
- CN112486148B CN112486148B CN202011587119.5A CN202011587119A CN112486148B CN 112486148 B CN112486148 B CN 112486148B CN 202011587119 A CN202011587119 A CN 202011587119A CN 112486148 B CN112486148 B CN 112486148B
- Authority
- CN
- China
- Prior art keywords
- data
- automobile
- fault
- fault diagnosis
- multiplied
- 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
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
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于卷积记忆自编码网络的汽车故障诊断方法与系统,通过数据采集设备实现汽车状态数据采集、清洗和北向传输至故障诊断云平台,具体包括汽车状态数据采集和异常值处理步骤,以及汽车状态数据时间戳对齐、缺失值处理和北向传输步骤;通过故障诊断云平台存储汽车状态数据,并实现故障检测与故障定位;本发明可以实现对未知故障的检测与定位,提高现有车载自诊断系统的故障诊断覆盖率,并为司机和维修人员提供故障可视化服务。
Description
技术领域
本发明涉及车联网领域,具体涉及一种基于卷积记忆自编码网络的汽车故障诊断方法与系统。
背景技术
随着社会发展,汽车保有量也持续增加。据公安部统计,截止到2020年6月份,我国汽车保有量达到了2.7亿辆。但是目前汽车的网联化、智能化程度较低,汽车状态数据难以得到较好的保存和管理。OBD系统通过对汽车状态数据进行了简单的逻辑判断,进而分析出故障信息,并将故障信息进行保存。但是维修时只能得到故障信息,而无法还原汽车故障时的运行状态。与此同时,OBD系统通过逻辑判断实现故障诊断,故障覆盖能力有限。
中国专利公开了基于汽车尾气监测的远程故障诊断系统(CN111751121A)通过监测汽车尾气来实现故障诊断。该诊断方法只适用于和汽车尾气相关的零部件,监测对象有限。于此同时,未进行汽车状态数据的存储和管理,维修时无法准确还原故障时的汽车运行状态。
中国专利公开了一种多功能电控汽车远程故障诊断系统(CN102183945A)通过远程获取汽车故障数据,提供多功能的汽车远程故障协助及故障排除帮助。此故障诊断系统更多基于原有OBD系统和专家系统实现故障诊断,仍然无法做到较大的故障诊断覆盖,特别是未知故障。
发明内容
为克服上述现有技术的不足,本发明提出了一种基于卷积记忆自编码网络的汽车故障诊断方法与系统;本发明通过数据采集设备将汽车状态数据上传至故障诊断平台,并通过故障诊断平台实现较大覆盖能力的故障诊断,特别是对未知故障的诊断。除此之外,对外提供故障诊断信息和汽车运行状态的可视化服务。
本发明采用的技术方案如下:一种基于卷积记忆自编码网络的汽车故障诊断方法,该方法基于汽车故障诊断系统实现,所述系统由数据采集设备和故障诊断云平台组成;所述数据采集设备实现汽车状态数据采集、清洗和北向传输至故障诊断云平台,具体包括汽车状态数据采集和异常值处理步骤,以及汽车状态数据时间戳对齐、缺失值处理和北向传输步骤;所述故障诊断云平台存储汽车状态数据,并实现故障检测与故障定位;
汽车状态数据采集和异常值处理步骤如下:
步骤1.1:汽车运行状态数据可通过CAN总线实时获取或者按照一定采样频率从外接传感器获取,具体包括油门踏板位置、刹车踏板位置、发动机扭矩模式等N种汽车运行状态数据;并按顺序编号为1至N;
步骤1.2:汽车运行状态数据标准化处理;
步骤1.3:如果标准化处理后的汽车运行状态数据超过数据范围-1至1,则忽略此次异常汽车运行状态数据,即跳过步骤1.4;
步骤1.4:将标准化处理后的汽车运行状态数据存储至散列映射,每次更新均会覆盖旧数据;
汽车状态数据时间戳对齐、缺失值处理和北向传输这一步骤每M毫秒执行1次,M一般取小于最短数据间隔时间T的一半,具体步骤如下:
步骤2.1:从散列映射中读取所有N种数据,并和当前时间戳一块存储至发送缓存区,作为一个数据组点;此步骤相当于一个M毫秒的采样器,实现了数据的时间戳对齐和缺失值补齐;
步骤2.2:如果距离上次通过网络发送数据达到L毫秒以上,则读取发送缓存区中的所有数据,打包发送至故障诊断云平台;并删除发送缓存区中的所有数据;L取大于M的数值;
故障检测与故障定位每间隔P个数据组点作为一个执行周期,具体步骤如下:
步骤3.1:设置C个不同的窗口大小W,选择当前数据组点的前W个数据组点,计算大小为N×N的单通道相关矩阵;最终经过C次计算后,形成大小为N×N×C的多通道相关矩阵;C取大于2,比如取3,W可选择取5、4、3;
步骤3.2:将本次执行周期步骤3.1的多通道相关矩阵和前B-1个执行周期步骤3.1得到的多通道相关矩阵拼接为B个多通道相关矩阵,输入到预先基于正常数据训练得到的卷积记忆自编码网络(Convolutional LSTM Auto-Encoder,CLAE),输出大小为N×N×C的重建多通道相关矩阵;B可以选择为5;
步骤3.3:选择所述B个多通道相关矩阵中的1个单通道相关矩阵和重建多通道相关矩阵中的1个单通道相关矩阵进行偏差矩阵Δm计算;
步骤3.4:如果偏差矩阵中数值大于偏差阈值V的个数,即超偏数,大于故障阈值R,则认为故障发生,执行以下步骤;否则,本次故障诊断云平台故障检测与故障定位步骤结束;偏差阈值V可设置为0.007,故障阈值R可设置为70;
步骤3.5:设置i从1至N,统计偏差矩阵第i行和第i列的超偏数之和;最大的超偏数之和的i对应的汽车运行状态数据编号即为故障发生位置。
进一步地,所述标准化处理公式为:
进一步地,所述散列映射存储键值对,键为某汽车状态数据编号,值为数据数值。
进一步地,所述最短数据间隔时间T表示每一种数据的最短采样时间间隔中的最小值,对于周期性采样数据而言,最短采样时间间隔为采样周期;对于事件触发性数据而言,最短采样时间间隔由预先实验统计得到。
进一步地,所述单通道相关矩阵的每个参数计算公式如下:
进一步地,所述卷积记忆自编码网络分为降维和升维两个部分;
降维部分步骤如下:
步骤1.1:给输入的B×N×N×C大小的B个多通道相关矩阵m的边缘填充0,拓展为B×Z×Z×C大小,其中Z为最接近于N的2D数值,比如N为30,取Z为32,D为5;
步骤1.2:将步骤1.1处理后的B×Z×Z×C大小的数据输入到由Y个SAME模式卷积神经网络(Convolutional Neural Network)组成的卷积神经网络链,前1个SAME模式卷积神经网络的输出为后一个SAME模式卷积神经网络的输入;Y一般可以取为D-1;Y个SAME模式卷积神经网络的输出数据大小分别为B×Z×Z×C、B×Z/2×Z/2×2C、B×Z/4×Z/4×4C,……,B×Z/2Y-1×Z/2Y-1×2Y-1C,以此类推;
步骤1.3:将Y个SAME模式卷积神经网络的Y个输出各自输入到Y个采用SAME模式卷积的卷积长短时记忆网络(Convolutional LSTM)中,输出和输入的数据大小相同,依次是B×Z×Z×C、B×Z/2×Z/2×2C、B×Z/4×Z/4×4C,……,B×Z/2Y-1×Z/2Y-1×2Y-1C,以此类推;
步骤1.4:针对步骤1.3输出的每个四维数据进行权重选择,即B个三维数据乘以权重,并按元素相加;B个权重之和为1;所有输出数据的大小依次是Z×Z×C、Z/2×Z/2×2C、Z/4×Z/4×4C,……,Z/2Y-1×Z/2Y-1×2Y-1C,以此类推;
步骤1.5:步骤1.4输出每个三维数据输入到Y个SAME模式卷积神经网络,输出Y个数据,其中第1个数据的大小为Z×Z×(C-2),第Y个数据的大小为Z/2Y-1×Z/2Y-1×4,其他第i个数据的大小为Z/2i-1×Z/2i-1×3;
步骤1.6:将步骤1.5输出的Y个数据进行变形和拼接,得到大小为Z×Z×(C-1)的数据;
升维部分步骤如下:
进一步地,所述卷积记忆自编码网络的降维部分中,将步骤1.5输出的数据进行变形和拼接工作,具体流程为:第Y个数据变形为Z/2Y-2×Z/2Y-2×1后和第Y-1个大小为Z/2Y-2×Z/2Y-2×3的数据拼接得到大小为Z/2Y-2×Z/2Y-2×4的数据,将该拼接结果以同样的方式变形后和第Y-2个大小为Z/2Y-3×Z/2Y-3×3的数据拼接,以此类推,最终和大小为Z×Z×(C-2)的数据拼接得到大小为Z×Z×(C-1)的数据。
进一步地,所述基于正常数据训练的方法具体为:数据采集设备将正常汽车的状态数据采集、清洗和北向传输至故障诊断云平台,并进行保存;基于上述正常汽车的状态数据对所述卷积记忆自编码网络进行训练;训练的损失函数为:
进一步地,所述偏差矩阵Δm的第h行,第w列元素的计算公式如下所示:
其中,c表示所选择的通道号,一般选择最后一个通道,即c等于C。
一种基于卷积记忆自编码网络的汽车故障诊断方系统,由数据采集设备和远程故障诊断云平台组成;
所述数据采集设备包括数据采集模块、数据管理模块和数据传输模块;所述数据采集模块用于获取汽车状态数据;所述数据管理模块负责将数据采集模块采集的数据进行异常值处理、时间戳对齐和缺失值处理等数据清洗工作;并通过数据传输模块将数据发送至故障诊断云平台;
所述故障诊断云平台包括数据传发模块、数据存储模块、故障诊断模块和业务逻辑模块;所述数据传发模块为数据采集设备提供标准通信接口,将接收到的数据分发到故障诊断模块和业务逻辑模块;所述数据存储模块负责各类数据的存储;所述故障诊断模块用于实现故障检测与故障定位;所述业务逻辑模块对外提供业务服务,包括故障位置可视化、汽车状态数据可视化服务、数据删除服务等。
本发明的有益效果是:1)本发明基于卷积记忆自编码网络的故障诊断方法提高故障诊断覆盖率,特别是未知故障的诊断;2)本发明存储故障信息和所有汽车运行状态数据,可为外部提供故障信息和汽车运行状态的可视化服务。
附图说明
图1是本发明实施例提供的汽车故障诊断系统总体架构图;
图2是本发明实施例提供的汽车状态数据采集和异常值处理流程图;
图3是本发明实施例提供的汽车状态数据时间戳对齐、缺失值处理和北向传输流程图;
图4是本发明实施例提供的故障检测与故障定位流程图;
图5是本发明实施例提供的多通道相关矩阵示意图;
图6是本发明实施例提供的卷积记忆自编码网络结构图;
图7是本发明实施例提供的偏差矩阵故障定位示意图。
具体实施方式
下面结合附图对本发明作进一步的说明。
如图1所示,本发明实施例给出的一种基于卷积记忆自编码网络的汽车故障诊断方法,该方法基于汽车故障诊断系统实现,该系统由数据采集设备和远程故障诊断云平台组成;数据采集设备包括数据采集模块、数据管理模块和数据传输模块;远程故障诊断云平台包括数据传发模块、数据存储模块、故障诊断模块和业务逻辑模块。
数据采集设备的数据采集模块通过模数转换芯片、数字电平端口、CAN通信端口等组件获取汽车状态数据,比如油门踏板位置、刹车踏板位置、发动机扭矩模式等;数据采集设备的数据管理模块负责将数据采集模块采集的数据进行异常值处理、时间戳对齐和缺失值处理等数据清洗工作;并通过数据传输模块将数据发送至故障诊断云平台。
远程故障诊断云平台的数据传发模块为数据采集设备提供标准的通信接口(本实例采用JT/T 808协议结合Kafka消息中间件的方式),并将设备接入模块接收到的数据分发到故障诊断模块和业务逻辑模块;故障诊断平台的数据存储模块负责各类数据的存储,具体包括Redis、MySQL、InfluxDB等数据库;故障诊断模块将基于卷积记忆自编码网络的故障诊断方法运行于Spark分布式计算集群和TensorFlow Serving集群,实现故障诊断;故障诊断平台的业务逻辑模块对外提供业务服务,比如故障位置可视化、汽车状态数据可视化服务、数据删除服务等。
如图2所示,本发明的数据采集设备执行数据采集和异常值处理流程的执行过程包括:
步骤2001,汽车运行状态数据可通过CAN总线实时获取或者按照一定采样频率从外接传感器获取,具体包括油门踏板位置、刹车踏板位置、发动机扭矩模式等N种汽车运行状态数据;并按顺序编号为1至N;比如选择30种数据;
步骤2002,汽车运行状态数据标准化处理;标准化处理公式为:
步骤2003,如果标准化处理后的汽车运行状态数据超过数据范围-1至1,则忽略此次异常汽车运行状态数据,即跳过步骤2004;
步骤2004,将标准化处理后的汽车运行状态数据存储至散列映射,每次更新均会覆盖旧数据;散列映射存储键值对,键为某汽车状态数据编号,值为数据数值。
如图3所示,本发明的汽车状态数据时间戳对齐、缺失值处理和北向传输流程的执行过程每M毫秒执行1次,M一般取小于最短数据间隔时间T的一半;T表示每一种数据的最短采样时间间隔中的最小值,对于周期性采样数据而言,最短采样时间间隔为采样周期;对于事件触发性数据而言,最短采样时间间隔由预先实验统计得到,比如3种数据中有2种周期性采样数据,采样周期分别为10毫秒和20毫秒,1种事件触发性数据的最短采样时间间隔为15毫秒,M取小于5,比如2,本流程具体步骤包括:
步骤3001:从散列映射中读取所有N种数据,并和当前时间戳一块存储至发送缓存区,作为一个数据组点;此步骤相当于一个M毫秒的采样器,实现了数据的时间戳对齐;同时,如果出现缺失值,发送缓存区则不会被更新,采样器会使用发送缓存区中目前缓存的数据补齐缺失值;
步骤3002:如果距离上次通过网络发送数据达到L毫秒以上,则执行以下步骤;否则结束本流程;L取大于M的数值,比如取100毫秒;
步骤3003,读取发送缓存区中的所有数据,打包发送至故障诊断云平台;
步骤3004,删除发送缓存区中的所有数据。
如图4所示,故障检测与故障定位每间隔P个数据组点作为一个执行周期,具体步骤如下:
步骤4001:设置C个不同的窗口大小W,选择当前数据组点的前W个数据组点,计算大小为N×N的单通道相关矩阵;最终经过C次计算后,形成大小为N×N×C的多通道相关矩阵;C取大于2,比如取3,W可选择取5、4、3;单通道相关矩阵的每个参数计算公式如下:
步骤4002:将本次执行周期步骤4001的多通道相关矩阵和前B-1个执行周期步骤4001得到的多通道相关矩阵拼接为B个多通道相关矩阵,输入到预先基于正常数据训练得到的卷积记忆自编码网络,输出大小为N×N×C的重建多通道相关矩阵;B可以选择为5;
步骤4003:选择所述B个多通道相关矩阵中的1个单通道相关矩阵和重建多通道相关矩阵中的1个单通道相关矩阵进行偏差矩阵Δm计算;偏差矩阵Δm的第h行,第w列元素的计算公式如下所示:
其中,c表示所选择的通道号,一般选择最后一个通道,即c等于C。
步骤4004:如果偏差矩阵中数值大于偏差阈值V的个数,即超偏数,大于故障阈值R,则认为故障发生,执行以下步骤;否则,本次故障诊断云平台故障检测与故障定位步骤结束;偏差阈值V可设置为0.007,故障阈值R可设置为70;
步骤4005:设置i从1至N,统计偏差矩阵第i行和第i列的超偏数之和;
步骤4006:最大的超偏数之和的i对应的汽车运行状态数据编号即为故障发生位置。
图5是本发明的多通道相关矩阵示意图;3个多通道矩阵的窗口大小W包括5、4和3,每个窗口都能计算出一个单通道相关矩阵,则多通道相关矩阵的通道数C为3;3个多通道矩阵的间隔P为2个数据组点。
图6是本发明的卷积记忆自编码网络结构,具体分为降维和升维两个部分;
降维部分结构分成5层,具体说明如下:
第1层:PSC1处理流程包括相关矩阵边缘填充和卷积计算两个过程;首先PSC1给输入的5个多通道相关矩阵m的边缘填充0,拓展为5×32×32×3大小;然后拓展处理后的数据输入到由4个SAME模式卷积神经网络组成的卷积神经网络链(图中的PSC1、SC2、SC3和SC4),前1个SAME模式卷积神经网络的输出为后一个SAME模式卷积神经网络的输入;4个SAME模式卷积神经网络的输出数据大小分别为5×32×32×3、5×16×16×6、5×8×8×12、5×4×4×24;
第2层:将4个SAME模式卷积神经网络的4个输出各自输入到4个采用SAME模式卷积的卷积长短时记忆网络(图中的CLA1、CLA2、CLA3和CLA4中的多个CL)中,输出和输入的数据大小相同;
第3层:对第2层的每个四维数据进行权重选择,即5个三维数据乘以权重,并按元素相加;5个权重之和为1;所有输出数据的大小依次是32×32×3、16×16×6、8×8×12、4×4×24;
第4层:第3层输出每个三维数据输入到4个SAME模式卷积神经网络(图中的SCT1、SCT2、SCT3和SCT4),输出4个数据,其中第1个数据的大小为32×32×1,第4个数据的大小为4×4×4,其他两个数据的大小分别为16×16×3和8×8×3;
第5层:将第4层输出的4个数据变形和拼接为大小为32×32×2的数据;具体而言,将第4个大小为4×4×4的数据变形(图中的RS4过程)为8×8×1和第3个大小为8×8×3的数据拼接形成大小为8×8×4的数据;大小为8×8×4的数据变形(图中的RS3过程)为16×16×1和第2个大小为16×16×3的数据拼接形成大小为16×16×4的数据;大小为16×16×4的数据变形(图中的RS2过程)为32×32×1和第1个大小为32×32×1的数据拼接为大小为32×32×2的数据。
升维部分步骤如下:
图7是本发明的偏差矩阵故障定位示意图,颜色越深表示偏差数值越大;图中的第2行(列)超偏数高于其他行(列)的超偏数,认为第2种数据(刹车踏板位置)出现了故障。
应当理解的是,本公开并不局限于上面已经描述并在附图中体现的精确结构,并且可以在不脱离其范围进行各种修改。本公开的范围仅由所附的权利要求来限制。
Claims (9)
1.一种基于卷积记忆自编码网络的汽车故障诊断方法,其特征在于,该方法基于汽车故障诊断系统实现,所述系统由数据采集设备和故障诊断云平台组成;所述数据采集设备实现汽车状态数据采集、清洗和北向传输至故障诊断云平台,具体包括汽车状态数据采集和异常值处理步骤,以及汽车状态数据时间戳对齐、缺失值处理和北向传输步骤;所述故障诊断云平台存储汽车状态数据,并实现故障检测与故障定位;
汽车状态数据采集和异常值处理步骤如下:
步骤1.1:获取N种汽车运行状态数据,并按顺序编号为1至N;
步骤1.2:对汽车运行状态数据进行标准化处理,如果标准化处理后的汽车运行状态数据超过数据范围-1至1,则忽略此次异常汽车运行状态数据;
步骤1.3:将标准化处理后的汽车运行状态数据存储至散列映射,每次更新均会覆盖旧数据;
汽车状态数据时间戳对齐、缺失值处理和北向传输步骤每M毫秒执行1次,M取小于最短数据间隔时间T的一半,具体步骤如下:
步骤2.1:从散列映射中读取所有N种数据,并和当前时间戳一块存储至发送缓存区,作为一个数据组点;
步骤2.2:如果距离上次通过网络发送数据达到L毫秒以上,则读取发送缓存区中的所有数据,打包发送至故障诊断云平台;并删除发送缓存区中的所有数据;L取大于M的数值;
故障检测与故障定位每间隔P个数据组点作为一个执行周期,具体步骤如下:
步骤3.1:设置C个不同的窗口大小W,选择当前数据组点的前W个数据组点,计算大小为N×N的单通道相关矩阵;最终经过C次计算后,形成大小为N×N×C的多通道相关矩阵;
步骤3.2:将本次执行周期步骤3.1的多通道相关矩阵和前B-1个执行周期步骤3.1得到的多通道相关矩阵拼接为B个多通道相关矩阵,输入到预先基于正常数据训练得到的卷积记忆自编码网络,输出大小为N×N×C的重建多通道相关矩阵;
所述卷积记忆自编码网络分为降维和升维两个部分;
降维部分步骤如下:
步骤a:给输入的B×N×N×C大小的B个多通道相关矩阵m的边缘填充0,拓展为B×Z×Z×C大小,其中Z为最接近于N的2D数值;
步骤b:将步骤a处理后的B×Z×Z×C大小的数据输入到由Y个SAME模式卷积神经网络组成的卷积神经网络链,前1个SAME模式卷积神经网络的输出为后一个SAME模式卷积神经网络的输入;Y个SAME模式卷积神经网络的输出数据大小分别为B×Z×Z×C、B×Z/2×Z/2×2C、B×Z/4×Z/4×4C,……,B×Z/2Y-1×Z/2Y-1×2Y-1C;
步骤c:将Y个SAME模式卷积神经网络的Y个输出各自输入到Y个采用SAME模式卷积的卷积长短时记忆网络中,输出和输入的数据大小相同,依次是B×Z×Z×C、B×Z/2×Z/2×2C、B×Z/4×Z/4×4C,……,B×Z/2Y-1×Z/2Y-1×2Y-1C;
步骤d:针对步骤c输出的每个四维数据进行权重选择,即B个三维数据乘以权重,并按元素相加;B个权重之和为1;所有输出数据的大小依次是Z×Z×C、Z/2×Z/2×2C、Z/4×Z/4×4C,……,Z/2Y-1×Z/2Y-1×2Y-1C;
步骤e:步骤d输出每个三维数据输入到Y个SAME模式卷积神经网络,输出Y个数据,其中第1个数据的大小为Z×Z×(C-2),第Y个数据的大小为Z/2Y-1×Z/2Y-1×4,其他第i个数据的大小为Z/2i-1×Z/2i-1×3;
步骤f:将步骤e输出的Y个数据进行变形和拼接,得到大小为Z×Z×(C-1)的数据;
升维部分步骤如下:
步骤3.3:选择所述B个多通道相关矩阵中的1个单通道相关矩阵和重建多通道相关矩阵中的1个单通道相关矩阵进行偏差矩阵Δm计算;
步骤3.4:如果偏差矩阵中数值大于偏差阈值V的个数,即超偏数,大于故障阈值R,则认为故障发生,执行步骤3.5;否则,本次故障诊断云平台故障检测与故障定位步骤结束;
步骤3.5:设置i从1至N,统计偏差矩阵第i行和第i列的超偏数之和;最大的超偏数之和的i对应的汽车运行状态数据编号即为故障发生位置。
3.根据权利要求1所述的一种基于卷积记忆自编码网络的汽车故障诊断方法,其特征在于,所述散列映射存储键值对,键为某汽车状态数据编号,值为数据数值。
4.根据权利要求1所述的一种基于卷积记忆自编码网络的汽车故障诊断方法,其特征在于,所述最短数据间隔时间T表示每一种数据的最短采样时间间隔中的最小值,对于周期性采样数据而言,最短采样时间间隔为采样周期;对于事件触发性数据而言,最短采样时间间隔由预先实验统计得到。
6.根据权利要求1所述的一种基于卷积记忆自编码网络的汽车故障诊断方法,其特征在于,所述卷积记忆自编码网络的降维部分中,将步骤1.5输出的数据进行变形和拼接工作,具体流程为:第Y个数据变形为Z/2Y-2×Z/2Y-2×1后和第Y-1个大小为Z/2Y-2×Z/2Y-2×3的数据拼接得到大小为Z/2Y-2×Z/2Y-2×4的数据,将该拼接结果以同样的方式变形后和第Y-2个大小为Z/2Y-3×Z/2Y-3×3的数据拼接,以此类推,最终和大小为Z×Z×(C-2)的数据拼接得到大小为Z×Z×(C-1)的数据。
9.一种基于卷积记忆自编码网络的汽车故障诊断方系统,所述系统利用权利要求1-8任一项所述方法实现,所述系统由数据采集设备和远程故障诊断云平台组成;
所述数据采集设备包括数据采集模块、数据管理模块和数据传输模块;所述数据采集模块用于获取汽车状态数据;所述数据管理模块负责将数据采集模块采集的数据进行异常值处理、时间戳对齐和缺失值处理数据清洗工作;并通过数据传输模块将数据发送至故障诊断云平台;
所述故障诊断云平台包括数据传发模块、数据存储模块、故障诊断模块和业务逻辑模块;所述数据传发模块为数据采集设备提供标准通信接口,将接收到的数据分发到故障诊断模块和业务逻辑模块;所述数据存储模块负责各类数据的存储;所述故障诊断模块用于实现故障检测与故障定位;所述业务逻辑模块对外提供业务服务,包括故障位置可视化、汽车状态数据可视化服务、数据删除服务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011587119.5A CN112486148B (zh) | 2020-12-29 | 2020-12-29 | 一种基于卷积记忆自编码网络的汽车故障诊断方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011587119.5A CN112486148B (zh) | 2020-12-29 | 2020-12-29 | 一种基于卷积记忆自编码网络的汽车故障诊断方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112486148A CN112486148A (zh) | 2021-03-12 |
CN112486148B true CN112486148B (zh) | 2022-02-18 |
Family
ID=74915807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011587119.5A Active CN112486148B (zh) | 2020-12-29 | 2020-12-29 | 一种基于卷积记忆自编码网络的汽车故障诊断方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112486148B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556344B (zh) * | 2024-01-08 | 2024-05-14 | 浙江大学 | 基于多源信息融合的球磨机传动系统故障诊断方法与系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108470084A (zh) * | 2018-02-09 | 2018-08-31 | 浙江大学 | 一种基于神经网络和案例推理的汽轮机轴系振动故障诊断方法 |
CN108805015A (zh) * | 2018-04-26 | 2018-11-13 | 常州大学 | 加权卷积自编码长短期记忆网络人群异常检测方法 |
KR20190018798A (ko) * | 2017-08-16 | 2019-02-26 | 강병수 | 차량 소음의 컨벌루션 뉴럴 네트워크에 의한 소음 분류 방법 |
CN111665819A (zh) * | 2020-06-08 | 2020-09-15 | 杭州电子科技大学 | 一种基于深度学习多模型融合的复杂化工过程故障诊断方法 |
CN111813084A (zh) * | 2020-07-10 | 2020-10-23 | 重庆大学 | 一种基于深度学习的机械装备故障诊断方法 |
-
2020
- 2020-12-29 CN CN202011587119.5A patent/CN112486148B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190018798A (ko) * | 2017-08-16 | 2019-02-26 | 강병수 | 차량 소음의 컨벌루션 뉴럴 네트워크에 의한 소음 분류 방법 |
CN108470084A (zh) * | 2018-02-09 | 2018-08-31 | 浙江大学 | 一种基于神经网络和案例推理的汽轮机轴系振动故障诊断方法 |
CN108805015A (zh) * | 2018-04-26 | 2018-11-13 | 常州大学 | 加权卷积自编码长短期记忆网络人群异常检测方法 |
CN111665819A (zh) * | 2020-06-08 | 2020-09-15 | 杭州电子科技大学 | 一种基于深度学习多模型融合的复杂化工过程故障诊断方法 |
CN111813084A (zh) * | 2020-07-10 | 2020-10-23 | 重庆大学 | 一种基于深度学习的机械装备故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
An Improved Bearing Fault Diagnosis Method using One-Dimensional CNN and LSTM;Pan, Honghu.etc;《STROJNISKI VESTNIK-JOURNAL OF MECHANICAL ENGINEERING》;20181231;第64卷(第7-8期);P443-452 * |
基于小波卷积自编码器和LSTM 网络的轴承故障诊断研究;杜小磊等;《机电工程》;20190731;第36卷(第7期);P663-668 * |
Also Published As
Publication number | Publication date |
---|---|
CN112486148A (zh) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109581871B (zh) | 免疫对抗样本的工业控制系统入侵检测方法 | |
US20190378022A1 (en) | Missing value imputation technique to facilitate prognostic analysis of time-series sensor data | |
US8036789B2 (en) | System, method and computer program product for real-time event identification and course of action interpretation | |
CN110991775A (zh) | 一种基于深度学习的轨道交通客流需求预测方法和装置 | |
CN112486148B (zh) | 一种基于卷积记忆自编码网络的汽车故障诊断方法与系统 | |
CN111275962B (zh) | 车辆轨迹数据聚集效应预测方法及装置 | |
CN110658807A (zh) | 一种车辆故障诊断方法、装置及系统 | |
US8321084B2 (en) | Control device, control method, control device of vehicle, and control system of vehicle | |
CN109414991A (zh) | 实时数据获取与记录系统 | |
DE102014112095A1 (de) | Verfahren und Vorrichtung zum Isolieren eines Fehlers in einem Controller Area Network | |
CN108390869A (zh) | 集成深度学习的车载智能网关装置及其命令序列检测方法 | |
CN110207974B (zh) | 基于振动信号时频能量分布特征的断路器故障识别方法 | |
CN109828857B (zh) | 车辆故障原因定位方法、装置、设备和存储介质 | |
CN113884889B (zh) | 一种电池安全预警的方法、装置、存储介质及电子设备 | |
CN116307787A (zh) | 一种基于指纹的服务器运维故障识别方法、定位方法 | |
CN114488994A (zh) | 一种提升车辆故障诊断鲁棒性的优化方法及装置 | |
JP5439871B2 (ja) | データ圧縮方法、装置、およびプログラム | |
CN116337093A (zh) | 一种路径规划方法、装置、设备、存储介质及产品 | |
CN113886202A (zh) | 车辆日志的分析方法、系统、装置、介质及车辆 | |
CN113127804B (zh) | 确定车辆故障次数的方法、装置、计算机设备和存储介质 | |
CN112446516A (zh) | 一种出行预测方法及装置 | |
CN113459854A (zh) | 一种充电故障处理方法、装置和设备 | |
CN111737530B (zh) | 一种基于加权映射的轨道交通车辆故障数据分析方法 | |
TWI742716B (zh) | 分散式車輛行駛歷程記錄方法及系統 | |
Qiu et al. | Multi-sensor system simulation based on RESTART algorithm |
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 |