CN112631261A - 一种大功率拖拉机远程故障诊断系统及方法 - Google Patents

一种大功率拖拉机远程故障诊断系统及方法 Download PDF

Info

Publication number
CN112631261A
CN112631261A CN202110179131.0A CN202110179131A CN112631261A CN 112631261 A CN112631261 A CN 112631261A CN 202110179131 A CN202110179131 A CN 202110179131A CN 112631261 A CN112631261 A CN 112631261A
Authority
CN
China
Prior art keywords
fault diagnosis
tractor
neural network
module
particle
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
CN202110179131.0A
Other languages
English (en)
Inventor
肖茂华
王伟臣
张权
周俊博
朱烨均
张海军
汪开鑫
周爽
张亨通
耿国盛
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.)
Nanjing Agricultural University
Original Assignee
Nanjing Agricultural 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 Nanjing Agricultural University filed Critical Nanjing Agricultural University
Priority to CN202110179131.0A priority Critical patent/CN112631261A/zh
Publication of CN112631261A publication Critical patent/CN112631261A/zh
Pending legal-status Critical Current

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
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供了一种大功率拖拉机远程故障诊断系统及方法，属于故障诊断技术领域。故障诊断系统包括与拖拉机连接的数据采集模块，数据采集模块利用通信模块与云端服务器连接，云端服务器利用通信模块将数据传递至故障诊断模块，故障诊断模块利用基于BP神经网络的故障诊断模型进行故障诊断，并将最终诊断结果传递至显示模块显示。故障诊断模型以BP神经网络为主体，采用了粒子群优化算法对BP神经网络的权值、阈值进行优化，同时采用多种群协同进化算法对粒子群算法进行进一步优化，使多种群之间进行信息共享，防止陷入局部最小值，增强了粒子群算法的全局搜索能力，有效提高了故障诊断模型的诊断精度。

Description

一种大功率拖拉机远程故障诊断系统及方法
技术领域
本发明属于故障诊断技术领域，尤其涉及一种大功率拖拉机远程故障诊断系统及方法。
背景技术
随着农业机械化的发展，大功率拖拉机越来越多的被应用到大农场当中，大功率拖拉机作业环境恶劣、负载功率大且工况复杂，这加剧了拖拉机故障的产生。此外，由于拖拉机故障的复杂性、故障的相关性和相对性以及多故障的并发性，进一步加剧了拖拉机故障诊断的复杂程度和维修难度。
一般情况下，拖拉机发生故障后，需要等待维修人员到达发生故障的拖拉机处进行故障的诊断与维修，在不对整车解体的情况下，通过观察拖拉机故障征兆以及使用仪器设备确定拖拉机工作状况，查明故障原因和故障部位，应用相应的维修方法及工具排除拖拉机故障。当拖拉机发生故障后，查找拖拉机发生故障的原因所占用的时间约为70%，而对拖拉机进行维修的时间仅占30%。此外，传统维修方法对维修人员的要求较高，导致维修费用高、难度大，严重影响了拖拉机的工作效率。
传统的查找拖拉机故障的工具为车辆故障诊断仪，其包括读取故障码、清除故障码、读取发动机动态数据流、示波等主要功能。在进行故障诊断时，故障诊断仪通过监测拖拉机传感器、执行器以及ECU的工作状态，判断ECU的输入、输出电压是否在规定的范围内变化，从而对拖拉机故障进行诊断。当检测到故障信息时，那么相关传感器会将故障信息以故障码的形式存储到ECU内部的存储器汇中，维修人员通过故障诊断仪读取故障码，对拖拉机故障发生的部位进行故障检修。但是在这种故障诊断模式下，故障只能通过故障码的形式读取，且只能对其故障的部位进行显示，而要想确定其具体的故障则需要进一步地人工诊断。其次，使用这种车辆故障诊断仪进行故障诊断，只能在拖拉机发生故障，待维修人员到来之后，对故障码进行提取并进一步分析才能得到具体的故障信息，便捷性较差。
发明内容
针对现有技术中存在不足，本发明提供了一种大功率拖拉机远程故障诊断系统及方法，通过5G网络将拖拉机参数数据远程传递至基于BP神经网络的故障诊断模型中进行诊断，并利用粒子群优化算法对BP神经网络的权值和阈值进行优化，大大提高了故障诊断效率和精度。
本发明是通过以下技术手段实现上述技术目的的。
一种大功率拖拉机远程故障诊断系统，包括与拖拉机CAN总线接口连接的数据采集模块，数据采集模块利用5G网络与云端服务器信号连接，云端服务器利用5G网络与故障诊断模块信号连接，故障诊断模块与显示模块信号连接；故障诊断模块利用优化的PSO-BP故障诊断模型进行故障诊断。
进一步地，所述数据采集模块包括相互连接的树莓派4B和2-CH-CAN-HAT模块，2-CH-CAN-HAT模块采集拖拉机内各传感器检测到的拖拉机运行参数数据；数据采集模块将拖拉机运行参数数据以CAN报文数据的形式传递至云端服务器的MySQL数据库。
进一步地，所述显示模块采用LabVIEW进行编程，对拖拉机运行参数数据进行数据流以及波形图显示，对拖拉机故障诊断结果以及故障诊断记录进行显示。
一种基于上述大功率拖拉机远程故障诊断系统的故障诊断方法，包括如下步骤：
步骤1：数据采集模块采集拖拉机CAN报文数据并传递至云端服务器，云端服务器将CAN报文数据传递至故障诊断模块，故障诊断模块依次对CAN报文数据进行筛选、解析处理，获得拖拉机运行参数数据流；
步骤2：对解析后的数据进行归一化处理；
步骤3：建立PSO-BP故障诊断模型；
步骤3.1：建立3层BP神经网络拓扑结构，包括输入层、隐含层和输出层，向输入层 中输入学习样本，与其相对应的期望输出记为
Figure 100002_DEST_PATH_IMAGE001
，而BP神经网络的实际输出记为
Figure 100002_DEST_PATH_IMAGE002
；初始 化BP神经网络的各层节点数、权值、阈值；
步骤3.2：利用PSO对BP神经网络进行优化；
步骤3.2.1：计算PSO粒子的维度；
步骤3.2.2：利用多种群协同进化算法优化粒子群：
初始化种群并将种群平均分成四个群体，其中包含三个从群和一个主群，每个群体中均含有10个粒子；初始化各从群中粒子的速度及位置，在一个区间内随机产生粒子的初始速度及初始位置；将初始化后的每个从群中的粒子进行速度及位置更新；在各从群进行下一步更新之前，将各自搜寻到的最优值信息传递至主群，主群根据接收到的最优值信息，进一步进行粒子的速度及位置更新；
步骤3.2.3：以BP神经网络的实际输出与期望输出的均方误差作为PSO的适应度函数；
粒子群每更新一次速度和位置，则对BP网络的阈值和权值进行一次更新；判断粒子群更新的迭代数是否满足终止条件，当粒子群更新的迭代数满足终止条件则停止更新，BP神经网络权值和阈值也停止更新；当粒子群更新的迭代数不满足终止条件，则返回步骤3.2.2继续更新，继续对BP神经网络的权值和阈值进行更新；
粒子群更新的迭代数满足终止条件时获得最小适应度值，将该最小适应度值代入BP神经网络中，获得最优的BP神经网络权值和阈值，再次进行均方误差计算，直至满足期望误差为止；
步骤3.3：将归一化处理后的拖拉机运行参数数据输入故障诊断模型中，获取诊断结果，即实际输出；故障诊断模型输出诊断结果后，调取故障诊断数据库中该诊断结果映射的信息，判断故障类型。
进一步地，所述步骤3.1中，初始化的BP神经网络各层节点数、权值、阈值包括：输 出层节点数
Figure 100002_DEST_PATH_IMAGE003
；输入层节点数
Figure 100002_DEST_PATH_IMAGE004
；隐含层节点数
Figure 100002_DEST_PATH_IMAGE005
；输入层至隐含层的权值
Figure 100002_DEST_PATH_IMAGE006
；隐含层至 输出层的权值
Figure 100002_DEST_PATH_IMAGE007
；输入层至隐含层的阈值
Figure 100002_DEST_PATH_IMAGE008
；隐含层至输出层的阈值
Figure 100002_DEST_PATH_IMAGE009
；
PSO粒子的维度
Figure 100002_DEST_PATH_IMAGE010
的计算公式为：
Figure 100002_DEST_PATH_IMAGE011
。
进一步地，所述步骤1中，筛选后的参数数据的计算公式为：
Figure 100002_DEST_PATH_IMAGE012
其中，
Figure 100002_DEST_PATH_IMAGE013
表示实际参数值；
Figure 100002_DEST_PATH_IMAGE014
表示参数分辨率；
Figure 100002_DEST_PATH_IMAGE015
表示输入参数值；
Figure 100002_DEST_PATH_IMAGE016
表示偏 移量。
进一步地，所述从群中粒子的速度及位置更新公式为：
Figure 100002_DEST_PATH_IMAGE017
其中，
Figure 100002_DEST_PATH_IMAGE018
表示
Figure 100002_DEST_PATH_IMAGE019
时刻从群中当前粒子的速度；
Figure 100002_DEST_PATH_IMAGE020
表示
Figure 100002_DEST_PATH_IMAGE021
时刻从群中当 前粒子的速度；
Figure 100002_DEST_PATH_IMAGE022
、
Figure 100002_DEST_PATH_IMAGE023
均表示粒子的加速度常数；
Figure 100002_DEST_PATH_IMAGE024
、
Figure 100002_DEST_PATH_IMAGE025
均表示区间[0，1]之间的随机数；
Figure 100002_DEST_PATH_IMAGE026
表示
Figure 225109DEST_PATH_IMAGE019
时刻从群中当前粒子的位置；
Figure 100002_DEST_PATH_IMAGE027
表示
Figure 917122DEST_PATH_IMAGE021
时刻从群中当前粒子的位置；
Figure 100002_DEST_PATH_IMAGE028
表示从群中当前粒子到目前为止出现的最优位置；
Figure 100002_DEST_PATH_IMAGE029
表示从群中所有粒子到目前 位置出现的最优位置。
进一步地，所述主群中粒子的速度及位置更新公式为：
Figure 100002_DEST_PATH_IMAGE030
其中，
Figure 100002_DEST_PATH_IMAGE031
表示主群；
Figure 100002_DEST_PATH_IMAGE032
表示除自身之外的其他群体；
Figure 100002_DEST_PATH_IMAGE033
表示主群中当前粒子的速 度；
Figure 100002_DEST_PATH_IMAGE034
表示主群中当前粒子所经历的最优位置；
Figure 404866DEST_PATH_IMAGE022
、
Figure 928251DEST_PATH_IMAGE023
均表示粒子的加速度常数；
Figure 100002_DEST_PATH_IMAGE035
表示 学习因子；
Figure 100002_DEST_PATH_IMAGE036
表示区间[0，1]之间的随机数；
Figure 100002_DEST_PATH_IMAGE037
表示主群中当前粒子的位置；
Figure 100002_DEST_PATH_IMAGE038
表示
Figure 100002_DEST_PATH_IMAGE039
中 的最优粒子；
Figure 100002_DEST_PATH_IMAGE040
表示主群中的最优粒子；
Figure 100002_DEST_PATH_IMAGE041
表示各种群的参与度。
进一步地，所述
Figure 46511DEST_PATH_IMAGE041
的计算公式为：
Figure 100002_DEST_PATH_IMAGE042
其中，
Figure 100002_DEST_PATH_IMAGE043
表示由
Figure 960240DEST_PATH_IMAGE040
确定的适应度值；
Figure 100002_DEST_PATH_IMAGE044
表示由
Figure 438626DEST_PATH_IMAGE038
确定的适应度值。
进一步地，所述PSO的适应度函数为
Figure 100002_DEST_PATH_IMAGE045
，计算公式为：
Figure 100002_DEST_PATH_IMAGE046
，其中，
Figure 100002_DEST_PATH_IMAGE047
表示样本总数。
本发明具有如下有益效果：
本发明所提供的故障诊断系统，主要以BP神经网络为主体，针对BP神经网络存在的容易陷入局部极小值、收敛速度慢的问题，采用了粒子群优化算法对BP神经网络的结构进行优化，主要针对BP神经网络的权值与阈值进行优化，大大提高了故障诊断效率。
在传统故障诊断模型中，标准粒子群算法中只存在一个种群，种群间的分工、协作、多层次、多样性的进化特点得不到体现，且种群中的信息交流比较单一，这会造成最优解位置信息的误判，导致整个种群进化停滞，极易陷入局部最优解，影响诊断精度。本发明采用多种群协同进化算法对粒子群算法进行进一步优化，使多种群之间进行信息共享，防止陷入局部最小值，增强了粒子群算法的全局搜索能力，从而有效提高了故障诊断模型的诊断精度。
附图说明
图1为本发明所述故障诊断方法流程图；
图2为本发明所述PSO优化BP神经网络示意图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。
本发明所述一种大功率拖拉机远程故障诊断系统，包括拖拉机、数据采集模块、通信模块、云端服务器、故障诊断模块、显示模块。
数据采集模块包括树莓派4B、2-CH-CAN-HAT模块，树莓派4B作为数据采集模块的微处理器，2-CH-CAN-HAT模块是专门为树莓派开发的双通道隔离型CAN总线扩展板，二者共同组成CAN网络节点；数据采集模块通过两条杜邦线与拖拉机的CAN总线接口连接，2-CH-CAN-HAT模块能够获取拖拉机内各传感器检测到的拖拉机运行参数数据，并转换为CAN报文数据。
由于拖拉机作业时的地理位置较为偏僻，因此采用传统的WIFI以及蓝牙的通信方式进行数据传输不可行，本发明中的通信模块采用5G网络实现数据传输，优选地，通信模块选用移远RG500Q 5G通信模块。数据采集模块通过通信模块与云端服务器信号连接，将CAN报文数据传递至云端服务器的MySQL数据库。
云端服务器通过通信模块与故障诊断模块信号连接，故障诊断模块将CAN报文数据进行筛选、解析处理后，将其输入优化的PSO-BP故障诊断模型中，获取拖拉机故障诊断结果，判断故障类型。
故障诊断模块与显示模块信号连接，显示模块采用LabVIEW进行编程，分别对拖拉机运行参数数据进行数据流以及波形图显示，并对拖拉机故障诊断结果以及故障诊断记录进行显示；此外还可以实现拖拉机运行参数数据的保存与清除、拖拉机故障诊断信息的保存等操作，拖拉机故障诊断结果由显示模块显示出来，方便检修人员查看，大大提高了故障检修效率。
利用上述大功率拖拉机远程故障诊断系统的诊断方法如图1所示，具体包括如下步骤：
步骤1：数据采集模块采集拖拉机CAN报文数据并通过通信模块传递至云端数据库，云端数据库通过通信模块将CAN报文数据传递至故障诊断模块，故障诊断模块对CAN报文数据进行筛选，提取与拖拉机故障相关性较大的参数；其中，筛选后的CAN报文数据包括拖拉机车速、转速、发动机扭矩百分比、机油压力、冷却液温度、油液温度、进气管温度、进气口压力等拖拉机运行参数；筛选后的参数计算公式如下：
Figure 957463DEST_PATH_IMAGE012
（1）
其中，
Figure 230313DEST_PATH_IMAGE013
表示实际参数值；
Figure 959235DEST_PATH_IMAGE014
表示参数分辨率；
Figure 975732DEST_PATH_IMAGE015
表示输入参数值；
Figure 473710DEST_PATH_IMAGE016
表示偏 移量。
步骤2：故障诊断模块根据SAE J1939协议对接收到的CAN报文数据进行解析，获得拖拉机运行参数数据流。
步骤3：对解析后得到的参数数据进行预处理：为去除量纲对后续模型训练过程的影响，对所有参数数据均逐行进行归一化处理，归一化处理公式如下：
Figure DEST_PATH_IMAGE048
（2）
其中，
Figure DEST_PATH_IMAGE049
表示归一化处理后的参数数据；
Figure DEST_PATH_IMAGE050
表示归一化预期范围最大值，本实 施例中取1；
Figure DEST_PATH_IMAGE051
表示归一化预期范围最小值，本实施例中取-1 ；
Figure DEST_PATH_IMAGE052
表示每一行参数数 据中的最大值；
Figure DEST_PATH_IMAGE053
表示每一行参数数据中的最小值。
步骤4：建立粒子群优化BP神经网络（PSO-BP）故障诊断模型。
步骤4.1：建立如图2所示8-13-5的3层BP神经网络拓扑结构，包括输入层、隐含层 和输出层，向输入层中输入
Figure DEST_PATH_IMAGE054
个学习样本：
Figure DEST_PATH_IMAGE055
，与其相对应的期 望输出记为
Figure 668193DEST_PATH_IMAGE001
，而BP神经网络的实际输出记为
Figure 884410DEST_PATH_IMAGE002
；
初始化BP神经网络的各层节点数、权值、阈值：
Figure DEST_PATH_IMAGE056
，
Figure 642282DEST_PATH_IMAGE003
表示输出层节点数；
Figure DEST_PATH_IMAGE057
，
Figure 932449DEST_PATH_IMAGE004
表示输入层节点数；
Figure DEST_PATH_IMAGE058
，
Figure 812680DEST_PATH_IMAGE005
表示隐含层节点数；
Figure DEST_PATH_IMAGE059
，
Figure 188298DEST_PATH_IMAGE006
表示输入层至 隐含层的权值；
Figure DEST_PATH_IMAGE060
，
Figure 546598DEST_PATH_IMAGE007
表示隐含层至输出层权值；
Figure DEST_PATH_IMAGE061
，
Figure 956851DEST_PATH_IMAGE008
表示输入层至隐含 层阈值；
Figure DEST_PATH_IMAGE062
；
Figure 742404DEST_PATH_IMAGE009
表示隐含层至输出层阈值。
步骤4.2：利用粒子群算法（PSO）对BP神经网络进行优化。
步骤4.2.1：PSO的寻优对象是BP神经网络的权值和阈值，PSO粒子的维度
Figure 667635DEST_PATH_IMAGE010
等于需 要寻优的参数总和：
Figure DEST_PATH_IMAGE063
。
步骤4.2.2：利用多种群协同进化算法优化粒子群：
初始化种群并将种群平均分成四个群体，其中包含三个从群和一个主群，每个群体中均含有10个粒子；
初始化各从群中粒子的速度及位置，在一个区间内随机产生粒子的初始速度及初始位置；将初始化后的每个从群中的粒子均按公式（3）独立地进行速度及位置更新，获取最优值信息，即最优的粒子速度和位置信息；
Figure 755590DEST_PATH_IMAGE017
（3）
其中，
Figure 82667DEST_PATH_IMAGE018
表示
Figure 304700DEST_PATH_IMAGE019
时刻从群中当前粒子的速度；
Figure 717227DEST_PATH_IMAGE020
表示
Figure 417330DEST_PATH_IMAGE021
时刻从群中当 前粒子的速度；
Figure 598913DEST_PATH_IMAGE022
、
Figure 991848DEST_PATH_IMAGE023
均表示粒子的加速度常数，且均取2；
Figure 891671DEST_PATH_IMAGE024
、
Figure 395464DEST_PATH_IMAGE025
均表示区间[0，1]之间的 随机数；
Figure 369237DEST_PATH_IMAGE026
表示
Figure 995390DEST_PATH_IMAGE019
时刻从群中当前粒子的位置；
Figure 320192DEST_PATH_IMAGE027
表示
Figure 424414DEST_PATH_IMAGE021
时刻从群中当前粒子 的位置；
Figure 518272DEST_PATH_IMAGE028
表示从群中当前粒子到目前为止出现的最优位置；
Figure 315327DEST_PATH_IMAGE029
表示从群中所有粒 子到目前位置出现的最优位置。
在各从群进行下一步更新之前，将各自所搜寻到的最优值信息传送到主群，主群根据接收到的最优值信息，按照公式（4）进一步进行粒子的速度及位置更新，获取最优适应度值，即最小适应度值；
Figure 861846DEST_PATH_IMAGE030
（4）
其中，
Figure 35338DEST_PATH_IMAGE031
表示主群；
Figure 983703DEST_PATH_IMAGE032
表示除自身之外的其他群体；
Figure 951659DEST_PATH_IMAGE033
表示主群中当前粒子的速 度；
Figure 985474DEST_PATH_IMAGE034
表示主群中当前粒子所经历的最优位置；
Figure 369182DEST_PATH_IMAGE035
表示学习因子，取2；
Figure 499949DEST_PATH_IMAGE036
表示区间[0，1] 之间的随机数；
Figure 576489DEST_PATH_IMAGE037
表示主群中当前粒子的位置；
Figure 159917DEST_PATH_IMAGE038
表示
Figure 347316DEST_PATH_IMAGE032
中的最优粒子；
Figure 332590DEST_PATH_IMAGE040
表示主群中 的最优粒子；
Figure 580032DEST_PATH_IMAGE041
表示各种群的参与度，
Figure 588439DEST_PATH_IMAGE041
的值由公式（5）决定：
Figure 641845DEST_PATH_IMAGE042
（5）
其中，
Figure 419309DEST_PATH_IMAGE043
表示由
Figure 899969DEST_PATH_IMAGE040
确定的适应度值；
Figure 130093DEST_PATH_IMAGE044
表示由
Figure 924873DEST_PATH_IMAGE038
确定的适应度值。
步骤4.2.3：以BP神经网络的实际输出与期望输出的均方误差作为PSO的适应度函 数
Figure 619160DEST_PATH_IMAGE045
，计算公式如下：
Figure 208404DEST_PATH_IMAGE046
（6）
其中，
Figure 253721DEST_PATH_IMAGE047
表示样本总数；
Figure 586613DEST_PATH_IMAGE001
表示期望输出；
Figure 135406DEST_PATH_IMAGE002
表示实际输出；
粒子群每更新一次速度和位置（即每进行一次个体极值更新与群体极值更新），则对BP网络的阈值和权值进行一次更新；判断粒子群更新的迭代数是否满足终止条件，若粒子群更新的迭代数满足终止条件则停止更新，BP神经网络权值和阈值也停止更新；若粒子群更新的迭代数不满足终止条件，则返回步骤4.2.2继续更新，继续对BP神经网络的权值和阈值进行更新。
本实施例中，优选地，终止条件设置为更新到第300代，此时获得最小适应度值，将该最小适应度值代入BP神经网络中，即可获得最优的BP神经网络权值和阈值，再次进行均方误差计算，直至满足期望误差为止，期望误差精度为：10-5。
步骤4.3：将步骤3中预处理后得到的拖拉机运行参数数据输入步骤4中建立的故 障诊断模型中，获取诊断结果，即实际输出。故障诊断模块将故障编码为数字信号，将发生 故障时的期望输出记为“1”，否则记为“0”，则不同故障下的期望输出可以用表1进行表示， 并将故障类型与期望输出对应表存储在故障诊断数据库中；其中，本实施例中优选地，以
Figure DEST_PATH_IMAGE064
、
Figure DEST_PATH_IMAGE065
、
Figure DEST_PATH_IMAGE066
、
Figure DEST_PATH_IMAGE067
、
Figure DEST_PATH_IMAGE068
代表五种不同的故障类型：
Figure 974180DEST_PATH_IMAGE064
表示正常，
Figure 241213DEST_PATH_IMAGE065
表示机油压力低，
Figure 112217DEST_PATH_IMAGE066
表示 进气管堵塞，
Figure 781096DEST_PATH_IMAGE067
表示高压油泵故障，
Figure 243302DEST_PATH_IMAGE068
表示活塞环断裂；
表1 故障类型与期望输出对应表
Figure DEST_PATH_IMAGE069
故障诊断模型输出诊断结果后，调取故障诊断数据库中该诊断结果映射的信息进 行故障类型的判断：当实际输出与期望输出的某一行相似时，则输出为该类型故障，例如实 际输出为（0.0001 0.0000 0.9985 0.1983 0.0002），则输出的故障类型为
Figure 404156DEST_PATH_IMAGE066
；而相似的实 际输出的个数占总个数的比值为准确率。为更好地判断故障类型，本实施例中，优选地，设 定阈值为0.7，当实际输出值大于等于0.7则判断为相似，反之则为不相似。
步骤5：故障诊断模块将步骤4中获取的故障诊断结果传递至显示模块显示，供检修人员查看。
所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。

Claims (10)

1.一种大功率拖拉机远程故障诊断系统，其特征在于，包括与拖拉机CAN总线接口连接的数据采集模块，数据采集模块利用5G网络与云端服务器信号连接，云端服务器利用5G网络与故障诊断模块信号连接，故障诊断模块与显示模块信号连接；故障诊断模块利用优化的PSO-BP故障诊断模型进行故障诊断。
2.根据权利要求1所述的一种大功率拖拉机远程故障诊断系统，其特征在于，所述数据采集模块包括相互连接的树莓派4B和2-CH-CAN-HAT模块，2-CH-CAN-HAT模块采集拖拉机内各传感器检测到的拖拉机运行参数数据；数据采集模块将拖拉机运行参数数据以CAN报文数据的形式传递至云端服务器的MySQL数据库。
3.根据权利要求1所述的一种大功率拖拉机远程故障诊断系统，其特征在于，所述显示模块采用LabVIEW进行编程，对拖拉机运行参数数据进行数据流以及波形图显示，对拖拉机故障诊断结果以及故障诊断记录进行显示。
4.一种基于上述权利要求1至3中任一项所述大功率拖拉机远程故障诊断系统的故障诊断方法，其特征在于，包括如下步骤：
步骤1：数据采集模块采集拖拉机CAN报文数据并传递至云端服务器，云端服务器将CAN报文数据传递至故障诊断模块，故障诊断模块依次对CAN报文数据进行筛选、解析处理，获得拖拉机运行参数数据流；
步骤2：对解析后的数据进行归一化处理；
步骤3：建立PSO-BP故障诊断模型；
步骤3.1：建立3层BP神经网络拓扑结构，包括输入层、隐含层和输出层，向输入层中输 入学习样本，与其相对应的期望输出记为
Figure DEST_PATH_IMAGE001
，而BP神经网络的实际输出记为
Figure DEST_PATH_IMAGE002
；初始化BP 神经网络的各层节点数、权值、阈值；
步骤3.2：利用PSO对BP神经网络进行优化；
步骤3.2.1：计算PSO粒子的维度；
步骤3.2.2：利用多种群协同进化算法优化粒子群：
初始化种群并将种群平均分成四个群体，其中包含三个从群和一个主群，每个群体中均含有10个粒子；初始化各从群中粒子的速度及位置，在一个区间内随机产生粒子的初始速度及初始位置；将初始化后的每个从群中的粒子进行速度及位置更新；在各从群进行下一步更新之前，将各自搜寻到的最优值信息传递至主群，主群根据接收到的最优值信息，进一步进行粒子的速度及位置更新；
步骤3.2.3：以BP神经网络的实际输出与期望输出的均方误差作为PSO的适应度函数；
粒子群每更新一次速度和位置，则对BP网络的阈值和权值进行一次更新；判断粒子群更新的迭代数是否满足终止条件，当粒子群更新的迭代数满足终止条件则停止更新，BP神经网络权值和阈值也停止更新；当粒子群更新的迭代数不满足终止条件，则返回步骤3.2.2继续更新，继续对BP神经网络的权值和阈值进行更新；
粒子群更新的迭代数满足终止条件时获得最小适应度值，将该最小适应度值代入BP神经网络中，获得最优的BP神经网络权值和阈值，再次进行均方误差计算，直至满足期望误差为止；
步骤3.3：将归一化处理后的拖拉机运行参数数据输入故障诊断模型中，获取诊断结果，即实际输出；故障诊断模型输出诊断结果后，调取故障诊断数据库中该诊断结果映射的信息，判断故障类型。
5.根据权利要求4所述的故障诊断方法，其特征在于，所述步骤3.1中，初始化的BP神经 网络各层节点数、权值、阈值包括：输出层节点数
Figure DEST_PATH_IMAGE003
；输入层节点数
Figure DEST_PATH_IMAGE004
；隐含层节点数
Figure DEST_PATH_IMAGE005
；输 入层至隐含层的权值
Figure DEST_PATH_IMAGE006
；隐含层至输出层的权值
Figure DEST_PATH_IMAGE007
；输入层至隐含层的阈值
Figure DEST_PATH_IMAGE008
；隐含层 至输出层的阈值
Figure DEST_PATH_IMAGE009
；
PSO粒子的维度
Figure DEST_PATH_IMAGE010
的计算公式为：
Figure DEST_PATH_IMAGE011
。
6.根据权利要求4所述的故障诊断方法，其特征在于，所述步骤1中，筛选后的参数数据的计算公式为：
Figure DEST_PATH_IMAGE012
其中，
Figure DEST_PATH_IMAGE013
表示实际参数值；
Figure DEST_PATH_IMAGE014
表示参数分辨率；
Figure DEST_PATH_IMAGE015
表示输入参数值；
Figure DEST_PATH_IMAGE016
表示偏移 量。
7.根据权利要求4所述的故障诊断方法，其特征在于，所述从群中粒子的速度及位置更新公式为：
Figure DEST_PATH_IMAGE017
其中，
Figure DEST_PATH_IMAGE018
表示
Figure DEST_PATH_IMAGE019
时刻从群中当前粒子的速度；
Figure DEST_PATH_IMAGE020
表示
Figure DEST_PATH_IMAGE021
时刻从群中当前粒 子的速度；
Figure DEST_PATH_IMAGE022
、
Figure DEST_PATH_IMAGE023
均表示粒子的加速度常数；
Figure DEST_PATH_IMAGE024
、
Figure DEST_PATH_IMAGE025
均表示区间[0，1]之间的随机数；
Figure DEST_PATH_IMAGE026
表示
Figure 954464DEST_PATH_IMAGE019
时刻从群中当前粒子的位置；
Figure DEST_PATH_IMAGE027
表示
Figure 684654DEST_PATH_IMAGE021
时刻从群中当前粒子的位置；
Figure DEST_PATH_IMAGE028
表示从群中当前粒子到目前为止出现的最优位置；
Figure DEST_PATH_IMAGE029
表示从群中所有粒子到目前位置 出现的最优位置。
8.根据权利要求4所述的故障诊断方法，其特征在于，所述主群中粒子的速度及位置更新公式为：
Figure DEST_PATH_IMAGE030
其中，
Figure DEST_PATH_IMAGE031
表示主群；
Figure DEST_PATH_IMAGE032
表示除自身之外的其他群体；
Figure DEST_PATH_IMAGE033
表示主群中当前粒子的速度；
Figure DEST_PATH_IMAGE034
表示主群中当前粒子所经历的最优位置；
Figure 402074DEST_PATH_IMAGE022
、
Figure 610333DEST_PATH_IMAGE023
均表示粒子的加速度常数；
Figure DEST_PATH_IMAGE035
表示学 习因子；
Figure DEST_PATH_IMAGE036
表示区间[0，1]之间的随机数；
Figure DEST_PATH_IMAGE037
表示主群中当前粒子的位置；
Figure DEST_PATH_IMAGE038
表示
Figure DEST_PATH_IMAGE039
中的 最优粒子；
Figure DEST_PATH_IMAGE040
表示主群中的最优粒子；
Figure DEST_PATH_IMAGE041
表示各种群的参与度。
9.根据权利要求8所述的故障诊断方法，其特征在于，所述
Figure 175437DEST_PATH_IMAGE041
的计算公式为：
Figure DEST_PATH_IMAGE042
其中，
Figure DEST_PATH_IMAGE043
表示由
Figure 60217DEST_PATH_IMAGE040
确定的适应度值；
Figure DEST_PATH_IMAGE044
表示由
Figure 140299DEST_PATH_IMAGE038
确定的适应度值。
10.根据权利要求4所述的故障诊断方法，其特征在于，所述PSO的适应度函数为
Figure DEST_PATH_IMAGE045
，计算公式为：
Figure DEST_PATH_IMAGE046
，其中，
Figure DEST_PATH_IMAGE047
表示样本总数。
CN202110179131.0A 2021-02-08 2021-02-08 一种大功率拖拉机远程故障诊断系统及方法 Pending CN112631261A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110179131.0A CN112631261A (zh) 2021-02-08 2021-02-08 一种大功率拖拉机远程故障诊断系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110179131.0A CN112631261A (zh) 2021-02-08 2021-02-08 一种大功率拖拉机远程故障诊断系统及方法

Publications (1)

Publication Number Publication Date
CN112631261A true CN112631261A (zh) 2021-04-09

Family

ID=75295399

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110179131.0A Pending CN112631261A (zh) 2021-02-08 2021-02-08 一种大功率拖拉机远程故障诊断系统及方法

Country Status (1)

Country Link
CN (1) CN112631261A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113139606A (zh) * 2021-04-27 2021-07-20 上海联创设计集团股份有限公司 基于人工智能算法的暖通风机故障检测方法及系统
CN113344169A (zh) * 2021-08-04 2021-09-03 南京农业大学 一种新型拖拉机故障诊断系统及故障诊断方法
CN114770541A (zh) * 2022-04-27 2022-07-22 南京农业大学 一种能够实现位移补偿的智能巡检机器人及智能巡检方法
CN115700593A (zh) * 2022-09-07 2023-02-07 中国人民解放军陆军装甲兵学院 一种基于机器学习的车载网络故障诊断方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108334059A (zh) * 2018-02-26 2018-07-27 上海理工大学 基于粒子群算法优化bp神经网络模型故障诊断方法
CN108376286A (zh) * 2018-02-26 2018-08-07 上海理工大学 一种设备故障诊断装置及系统
CN108734202A (zh) * 2018-04-27 2018-11-02 西安工程大学 一种基于改进bp神经网络的高压断路器故障诊断方法
CN108897936A (zh) * 2018-06-20 2018-11-27 西安建筑科技大学 一种基于pso-bp模型的污水源热泵机组故障诊断方法
CN212083986U (zh) * 2020-03-27 2020-12-04 洛阳拖拉机研究所有限公司 一种拖拉机远程数据采集与故障诊断系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108334059A (zh) * 2018-02-26 2018-07-27 上海理工大学 基于粒子群算法优化bp神经网络模型故障诊断方法
CN108376286A (zh) * 2018-02-26 2018-08-07 上海理工大学 一种设备故障诊断装置及系统
CN108734202A (zh) * 2018-04-27 2018-11-02 西安工程大学 一种基于改进bp神经网络的高压断路器故障诊断方法
CN108897936A (zh) * 2018-06-20 2018-11-27 西安建筑科技大学 一种基于pso-bp模型的污水源热泵机组故障诊断方法
CN212083986U (zh) * 2020-03-27 2020-12-04 洛阳拖拉机研究所有限公司 一种拖拉机远程数据采集与故障诊断系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
凌宝媚: "基于粒子群算法的永磁同步电机自适应控制研究", 《中国优秀硕士论文全文数据库信息科技辑》 *
刘子阳: "多策略粒子群优化算法相关问题研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
阳路: "汽车前方防撞系统中安全预警算法研究", 《中国优秀硕士学位伦恩全文数据库工程科技II辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113139606A (zh) * 2021-04-27 2021-07-20 上海联创设计集团股份有限公司 基于人工智能算法的暖通风机故障检测方法及系统
CN113344169A (zh) * 2021-08-04 2021-09-03 南京农业大学 一种新型拖拉机故障诊断系统及故障诊断方法
CN113344169B (zh) * 2021-08-04 2021-10-29 南京农业大学 一种新型拖拉机故障诊断系统及故障诊断方法
CN114770541A (zh) * 2022-04-27 2022-07-22 南京农业大学 一种能够实现位移补偿的智能巡检机器人及智能巡检方法
CN114770541B (zh) * 2022-04-27 2022-10-21 南京农业大学 一种能够实现位移补偿的智能巡检机器人及智能巡检方法
CN115700593A (zh) * 2022-09-07 2023-02-07 中国人民解放军陆军装甲兵学院 一种基于机器学习的车载网络故障诊断方法
CN115700593B (zh) * 2022-09-07 2024-01-16 中国人民解放军陆军装甲兵学院 一种基于机器学习的车载网络故障诊断方法

Similar Documents

Publication Publication Date Title
CN112631261A (zh) 一种大功率拖拉机远程故障诊断系统及方法
CN109446187B (zh) 基于注意力机制与神经网络的复杂装备健康状态监测方法
CN106444489B (zh) 基于数字化监测重型装备发动机的监测装置及其监测方法
CN109522600B (zh) 基于组合深度神经网络的复杂装备剩余使用寿命预测方法
WO2019205858A1 (zh) 车辆诊断方法、装置及设备
CN109272123B (zh) 一种基于卷积-循环神经网络的有杆泵工况预警方法
CN109099975A (zh) 一种建筑结构健康监测系统
CN109543743B (zh) 一种基于重建预测残差的制冷机组多传感器故障诊断方法
CN114444187B (zh) 一种振动传递大数据与胶囊网络融合的桥梁损伤诊断方法
CN114818774A (zh) 一种基于多通道自校准卷积神经网络的齿轮箱智能故障诊断方法
CN112446091A (zh) 一种基于人工神经网络的脉动压力预测方法
CN110968070B (zh) 一种ecu故障智能诊断系统
CN114565038A (zh) 一种基于改进胶囊网络的智能电表故障诊断方法
CN117009814A (zh) 一种基于多源信息融合的发动机故障诊断方法及系统
CN113157732A (zh) 一种基于pso-bp神经网络的地下铲运机故障诊断方法
CN116662743A (zh) 一种基于多模态深度学习的发动机剩余寿命预测方法
CN112329341B (zh) 一种基于ar和随机森林模型的故障诊断系统及方法
CN114239641A (zh) 一种联合注意力机制选择核卷积残差网络的故障诊断方法
CN206488924U (zh) 基于虚拟仪器的汽车自动变速器故障诊断仪
CN117110794A (zh) 一种电缆故障智能诊断系统及方法
CN116739996A (zh) 基于深度学习的输电线路绝缘子故障诊断方法
CN114154400B (zh) 无人车辆健康状态检测系统及检测方法
CN102033194B (zh) 一种电路诊断策略与测试配置信息综合模拟评估方法
CN113570111B (zh) 基于轻量化网络的桥梁健康状态片上监测方法
CN114279728A (zh) 一种振动筛机体的故障诊断方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210409

RJ01 Rejection of invention patent application after publication