CN113156913A - 一种abs故障诊断系统及方法 - Google Patents
一种abs故障诊断系统及方法 Download PDFInfo
- Publication number
- CN113156913A CN113156913A CN202110161341.7A CN202110161341A CN113156913A CN 113156913 A CN113156913 A CN 113156913A CN 202110161341 A CN202110161341 A CN 202110161341A CN 113156913 A CN113156913 A CN 113156913A
- Authority
- CN
- China
- Prior art keywords
- data
- abs
- vehicle
- braking
- diagnosis
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims description 37
- 238000001514 detection method Methods 0.000 claims abstract description 54
- 230000003993 interaction Effects 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 31
- 230000004927 fusion Effects 0.000 claims description 24
- 238000005259 measurement Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 9
- 230000002159 abnormal effect Effects 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 16
- 210000002569 neuron Anatomy 0.000 description 16
- 238000013527 convolutional neural network Methods 0.000 description 9
- 239000013598 vector Substances 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
-
- 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)
- Regulating Braking Force (AREA)
Abstract
本发明提供一种ABS故障诊断系统，包括数据采集组件、诊断服务组件和数据交互组件；所述数据采集组件包括自动检测模块以及用于接收用户数据，尤其是用户对需检测的至少一个操作参数进行预先标定的用户标定数据输入装置；所述自动检测模块通过现场接口与被测车辆相连，获取被测车辆的实车数据，并对实车数据进行初步判断、计算和分析，将经过处理后的数据通过工业总线和/或互联网传输至诊断服务组件和数据交互组件；有助于设备和装置检测操作的自动化故障诊断系统，该系统包括自动检测至少一个操作参数的测试数据，自动判定至少一个操作参数的异常状态以及可能的故障类型，并实现检测数据的采集、监控和交互。
Description
[技术领域]
本发明涉及ABS故障诊断技术领域，尤其涉及一种应用效果突出的ABS 故障诊断系统及方法。
[背景技术]
在汽车安全性能检测项目中，制动性能检测是非常重要的一项，良好的制动性能是汽车安全行驶的重要保证。随着防抱死制动系统(简称ABS)在汽车上应用越来越广，在汽车整车检测线中，需要相应的增加对汽车ABS制动性能检测设备，该设备可在室内检测台上，通过检测车辆制动时的轮速、车身速度、踏板及管路压力等，来判断ABS的工作性能。
对于研究汽车性能的专家来说，可以根据该类设备的检测报表中，诸如，速度一时间曲线、滑移率一时间曲线等来判断abs制动性能，但是，普通检测人员并不具备根据检测结果判读ABS制动性能的专业知识。
因此，本领域需要一种自主的、自诊断系统，实现对被测车辆ABS制动数据的采集、监控和交互，以及基于数据的模型学习，对车辆ABS工作状态进行自动判定。
[发明内容]
为克服现有技术所存在的问题，本发明提供一种应用效果突出的ABS故障诊断系统及方法。
本发明解决技术问题的方案是提供一种ABS故障诊断系统，包括数据采集组件、诊断服务组件和数据交互组件；所述数据采集组件包括自动检测模块以及用于接收用户数据，尤其是用户对需检测的至少一个操作参数进行预先标定的用户标定数据输入装置；所述自动检测模块通过现场接口与被测车辆相连，获取被测车辆的实车数据，并对实车数据进行初步判断、计算和分析，将经过处理后的数据通过工业总线和/或互联网传输至诊断服务组件和数据交互组件；所述诊断服务组件包括应用服务模块以及自动诊断模块；所述诊断服务组件通过工业总线和或互联网与数据采集组件和数据交互组件通信；所述数据交互组件包括具有多种功能的私有数据发送接口和公共数据发送接口。
优选地，所述诊断服务组件的应用服务模块将从数据采集组件接收到的所述处理后的结果数据，送入自动诊断模块进行智能分析，并将智能分析结果传输至与其连接的数据交互组件。
优选地，所述ABS故障诊断系统所对应的实现系统包括abs制动检测台、被测车辆、ODB适配器、工位计算机、数据库服务器、以太网以及制动台电控柜；所述工位计算机通过现场总线与制动台电控柜、ODB适配器连接，并通过以太网与数据库服务器连接通讯；所述OBD适配器的另一端通过车载诊断协议连接被测车辆的车载OBD接口，与其上的ABS电子控制单元通讯；所述制动台电控柜安装有嵌入式控制板卡及A/D信号转换板卡，并通过信号线连接abs制动检测台。
一种ABS故障诊断方法，包括以下步骤，
S1：获取abs制动过程中与性能检测相关的测量数据及附加信息；
S2：制作带标签的样本数据；
S3：候选模型的预训练与专家知识的数据化表达；
S4：深度神经网络的训练和优选；
S5：在自动诊断模块中，使用训练好的小样本学习网络，对abs制动性能检测结果进行自动识别。
优选地，所述测量数据及附加信息包括车速、轮速、踏板力、abs制动时间、间隔、制动管路压力的原始一维时域测量数据以及车型、车号、车龄、车型技术参数、道路位置、气象数据附加信息，上述数据来源于预设的车型、车号技术参数数据库。
优选地，所述步骤S1中针对原始一维时域测量数据进行高斯平均滤波、中值滤波处理，去除原始信号中的高频噪声；提取能反映汽车ABS工作性能的人工特征参数，包括但不限于：滑移率阈值、滑移率均值、滑移率方差、 ABS调整次数特征数据；截取所述测量数据波形时间曲线中与abs制动动作相关长度的数据。
优选地，所述步骤S2中的制作带标签的样本数据包括表示ABS工作状态的判定结果以及对ABS制动次数、制动压力、制动定时预设控制参数的评价结果；依据制动测量数据、车载和路边气象数据进行标定的路面附着系数以及路面湿滑度标签数据。
优选地，所述步骤S3:具体包括以下步骤，A1：针对带标签样本，根据步骤S1进行预处理和特征提取；A2：采用支持向量机，基于上述特征和标签进行模型训练；A3：设定分类准确率阈值和计算时间阈值，对上述模型进行筛选，构成候选模型池；A4：从上述候选模型池中选择模型，针对原始数据集剩余的样本数据进行预测，得到预测标签，所述预测标签实现专家知识和经验的数据化表达；A5：采用简单多数投票法将上述不同候选模型的预测标签进行融合，与已有的有标签样本共同构建训练集，用于后续深度神经网络的训练。
优选地，所述步骤S4具体包括以下步骤，B1：将样本数据分为3类，用 (0、1)表示ABS故障，(1、0)表示ABS正常工作，(1、1)表示制动力不足，每类样本选择滑移率均值、滑移率方差和附着系数利用率三个参数作为特征参数；B2：利用步骤S3中得到的混合数据集，采用小批量随机梯度下降法对网络进行训练，学习权重参数；B3：基于分类准确率，对上述深度神经网络模型的性能进行评估；B4：调整网络超参数，重新训练模型，并评估其性能；B5：改变候选模型组合得到不同的融合预测标签，重新训练上述深度神经网络，并评估其性能。
与现有技术相比，本发明一种ABS故障诊断系统及方法有助于设备和装置检测操作的自动化故障诊断系统，该系统包括自动检测至少一个操作参数的测试数据，自动判定至少一个操作参数的异常状态以及可能的故障类型，并实现检测数据的采集、监控和交互。
[附图说明]
图1是本发明一种ABS故障诊断方法的流程示意图。
图2是本发明一种故障诊断系统实施例的结构示意图。
图3是本发明一种故障诊断系统实施例的展开示意图。
图4是本发明一种abs故障诊断系统实现装置的结构示意图。
图5是本发明小样本故障诊断算法流程图。
图6是本发明无监督深度学习故障诊断算法流程图。
图7(a)是本发明ABS故障时的车速/轮速对比曲线。
图7(b)ABS正常工作时的车速/轮速对比曲线。
图7(c)同一附着系数路面下ABS正常工作时的车速/轮速对比曲线。
图7(d)同一附着系数路面下ABS制动力不足时的车速/轮速对比曲线。
[具体实施方式]
为使本发明的目的，技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定此发明。
下面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。
虽然在此是参照汽车abs制动性能检测系统来讨论的，但是所公开的算法和实现装置适用于各种设备和装置性能检测系统的自动故障诊断。所附权利要求包括所有这些系统和情形。
如图2所示，为本发明公开的一种汽车ABS制动故障诊断系统实施例的结构示意图，所述系统包括：数据采集组件1、诊断服务组件2和数据交互组件3；其中：
所述数据采集组件1可以包括任何类型的设备和装置性能检测系统，该系统具有一个或多个需要自动诊断的子系统或组件。
在本实施例中的数据采集组件1包括自动检测模块101，并且具有用于接收用户数据的、尤其是用户对需检测的至少一个操作参数进行了预先标定的用户标定数据输入装置102。作为特定示例，数据采集组件1可能包括任何类型的车载和室内abs制动性能自动检测装置，这些装置通过现场接口与被测车辆相连，获取被测车辆的实车数据，并对实车数据进行初步判断、计算和分析，将经过处理后的数据通过工业总线和/或互联网传输至诊断服务组件 2和数据交互组件3；
所述诊断服务组件2包括应用服务模块201、自动诊断模块202。该组件通过工业总线和/或互联网与数据采集组件1和数据交互组件3通信；所述应用服务模块201将从数据采集组件1接收到的所述处理后的结果数据，送入自动诊断模块202进行智能分析，并可将智能分析结果传输至与其连接的数据交互组件3；
所述数据交互组件3包括具有多种功能的私有数据发送接口301和公共数据发送接口302，可直接接入私有和或公共云平台、网络终端、移动设备 APP等，例如，发送所述abs制动故障诊断分析结果进行进一步的专家和/或人工智能判断，发送测试数据和制动不足的分析结果至被测车辆制造方实现进一步的专家和/或人工智能控制下的abs制动装置控制参数调整等等。
图3示出了根据本发明公开的一种故障诊断系统中数据采集组件1、诊断服务组件2和数据交互组件3之间的事件顺序和通信性质。
如图所示，自动检测模块101获取现场数据，并对现场数据进行调理、转换和判断；将处理结果数据转发给应用服务模块201和用户标定模块102；用户标定模块102对接收到的现场数据进行标定，形成数据标签，并将处理结果发送给应用服务模块201；应用服务模块201对接收到的现场数据和数据标签进行分配，转发给一个或多个自动诊断模块202，并将数据标签转发至需要在算法中使用数据标签的特定自动诊断模块；自动诊断模块202对接收到的现场数据和数据标签进行智能分析，并将其智能分析结果，例如异常类型、故障类型等传输回应用服务模块201；应用服务模块201分别将接收到的现场数据、数据标签和智能分析结果，转发给一个或多个私有数据接口模块301 和公有数据接口模块302；私有数据接口模块301和公有数据接口模块302连接一个或多个功能组件，所述功能组件内嵌人机界面(HMI)、数据库应用、可视化图表等基本的工业设备应用服务功能和特定的场景需求的应用，可对接受的数据和结果进行再加工，并发送反馈数据回应用服务模块201，反馈数据的一个用途是实现对自动诊断模块202上的人工智能分析的标签数据和模型参数的调整。
图4为本发明公开的一种汽车ABS制动故障诊断系统实现装置的结构示意图，在该实施例中，所述实现装置包括：abs制动检测台4、被测车辆5、 ODB适配器6、工位计算机7、数据库服务器8、以太网9、制动台电控柜10。
所述工位计算机7通过现场总线(RS232/CAN总线等)与制动台电控柜 10、ODB适配器6连接；并可通过以太网9与数据库服务器8连接通讯。
所述OBD适配器6的另一端通过车载诊断协议(K线/CAN总线)连接被测车辆5的车载OBD接口，与其上的ABS电子控制单元(ECU)通讯。
所述制动台电控柜10安装有嵌入式控制板卡及A/D信号转换板卡，并通过信号线连接abs制动检测台4。
作为示例，这些组件可以具有下述功能：
1、工位计算机：
执行诊断服务组件功能。包括应用服务模块和自动故障诊断模块；
1.2、其应用服务模块可从自动检测模块接收至少一个操作参数的测试数据，解释数据，调用自动故障诊断模块，对至少一个反映被测车辆的abs制动性能的操作参数进行自动判定，识别可能出现的异常状态以及可能的故障类型，记录所有适当条目并将任何特定的故障情形通知给数据交互组件；
1.3、其自动故障诊断模块应具备机器学习以及数据分析的功能。该机器学习以及数据分析方法至少应包括按照实际工况与使用习惯对被测车辆的 abs制动性能进行故障类型诊断与判定的分析模型和方法，且这些分析模型和方法可根据实际应用场景定制化组合或开发；
1.4、所述应用服务模块应内嵌人机界面(HMI)、数据库应用、可视化图表等基本的工业设备应用服务功能和特定的场景需求的应用，以实现日常的工业设备智能监控和交互；
1.5、所述应用服务应包括用于执行用户标定数据输入的交互式数据接口以及所需的实现装置。
2、数据库服务器
2.1、执行数据交互组件功能，包括私有数据发送接口和公共数据发送接口，可与诊断服务组件和数据采集组件进行双向实时通信；并可充当私有云平台，向经过鉴权认证安全机制认可、通过的特定用户提供私有云数据服务；
2.2、可配置用于现场的工位计算机无法安装、使用的专用人工智能计算硬件，采用更为复杂的算法和更加庞大的历史数据库，实现更加准确和高效的机器学习以及数据分析功能；
2.3、执行诊断服务组件功能，例如，充当中央远端服务中心，负责协调在地理上分布的数据采集组件，包括，负责实时采集实车数据的车载数据采集组件，在标准试验场地进行数据标定的数据采集组件，在室内检测台进行现场采集的数据采集组件等等，所述数据采集组件获取制动过程中与被测车辆ABS制动性能检测相关的预定参数及附加信息，所述诊断服务组件依据车型、车号等附加信息对采集的数据分类构建数据库应用；
3、abs制动检测台、制动台电控柜、OBD适配器
3.1、执行数据采集组件功能：
3.2、可以分配用来监测被测车辆上的特定子系统或者功能部件，将预定参数的测量数据，通过制动台电控柜通知给诊断服务组件；通知频率由诊断服务组件指定；
4、制动台电控柜
4.1、执行数据采集组件功能：
4.2、通过接口与abs制动检测台和诊断服务组件相连，获取abs制动检测台采集的现场数据，并对现场数据进行调理和转换，并根据设备运转逻辑和步骤进行当前运行状态的数据识别，最终将处理结果数据通过总线传输至诊断服务组件，传输频率由诊断服务组件指定；
5、OBD适配器
5.1、执行数据采集组件功能：
5.2、通过接口与被测车辆和诊断服务组件相连，传输车载传感器获取的、被测车辆制动时的预定参数，例如：轮速、车身速度、踏板及管路压力等现场数据，将其传输至诊断服务组件，传输频率由诊断服务组件指定；
图5示出了根据本发明公开的一种汽车ABS制动故障诊断系统数据库应用及深度学习算法模型流程图，该算法模型针对故障数据较少的车型和或车号。
如图所示，针对一款新型车辆和或abs制动系统，由于故障的发生几率相比正常工况很低，另外，对故障数据的标注依赖于有丰富故障诊断经验和领域知识的专家，因此，通常很难构建大量高价值、有标注的样本集，需要解决在使用少量有标注样本的情况下，深度神经网络模型出现过拟合的问题，有效提升abs智能检测的准确度。
作为示例，该算法可以具有下述步骤：
S1、获取abs制动过程中与性能检测相关的测量数据及附加信息：
包括：车速、轮速、踏板力、abs制动时间、间隔、制动管路压力等制动过程的原始一维时域测量数据；
包括：车型、车号、车龄、车型技术参数、道路位置、气象数据等附加信息，这些数据来源于预设的车型、车号技术参数数据库；
针对原始一维时域测量数据进行高斯平均滤波、中值滤波等滤波处理，去除原始信号中的高频噪声；
提取能反映汽车ABS工作性能的人工特征参数，包括但不限于：滑移率阈值、滑移率均值、滑移率方差、ABS调整次数等评价abs性能的特征数据；
截取所述测量数据波形时间曲线中与abs制动动作相关长度的数据。
S2、制作带标签的样本数据，包括但不限于：
a)表示ABS工作状态的判定结果，例如，对ABS整体状态的评价结果(正常、故障、不足)；对ABS制动次数、制动压力、制动定时等预设控制参数的评价结果(正常、故障、不足)等等；
b)依据制动测量数据、车载和路边气象数据等进行标定的路面附着系数以及路面湿滑度等标签数据；
S3、候选模型的预训练与专家知识的数据化表达：
针对带标签样本，根据步骤S1进行预处理和特征提取；
采用支持向量机(SVM)，基于上述特征和标签进行模型训练；
设定分类准确率阈值和计算时间阈值，对上述模型进行筛选，构成候选模型池；
从上述候选模型池中选择模型，针对原始数据集剩余的样本数据进行预测，得到预测标签，该预测标签实现了专家知识和经验的数据化表达；
采用简单多数投票法将上述不同候选模型的预测标签进行融合，与已有的有标签样本共同构建训练集，用于后续深度神经网络的训练。
S4、深度神经网络的训练和优选
将样本数据分为3类，用(0、1)表示ABS故障，(1、0)表示ABS正常工作，(1、1)表示制动力不足，每类样本选择滑移率均值、滑移率方差和附着系数利用率三个参数作为特征参数；
利用步骤S3中得到的混合数据集，采用小批量随机梯度下降法对网络进行训练，学习权重参数；
基于分类准确率，对上述深度神经网络模型的性能进行评估；
调整网络超参数，重新训练模型，并评估其性能。
改变候选模型组合得到不同的融合预测标签，重新训练上述深度神经网络，并评估其性能。
S5、在自动诊断模块中，使用训练好的小样本学习网络，对abs制动性能检测结果进行自动识别。
图6示出了根据本发明公开的一种汽车ABS制动故障诊断系统数据库应用及深度学习算法模型的另一实施例，该实施例与上述实施例的区别之处在于：该算法模型针对的是已积累丰富故障数据的车型和或车号。
如图6所示，即使对已积累丰富故障数据的车型和或abs制动系统，由于故障数据的标注依赖于有丰富故障诊断经验和领域知识的专家，大量高价值、有标注的样本集相对更为稀缺，仍需要在有限或缺乏训练样本标签信息的情况下，有效提取故障特征，使之适用于类别标签缺失情况下的汽车ABS 工作状态的自动判定。
作为示例，该算法可以具有下述步骤：
S1、获取abs制动过程中与性能检测相关的测量数据及附加信息：
所述检测数据包括车速、轮速、踏板力、abs制动时间、间隔、制动管路压力等制动过程的测量数据；
所述附加信息包括：车型、车号、车龄、车型技术参数、道路位置、气象数据等附加信息，这些数据来源于预设的车型、车号技术参数数据库；
将获取的测量数据及附加信息，区分为结构化数据和非结构化数据。结构化数据，例如，数值型数据、数据库等；非结构化数据，例如，文字型数据、时域波形图等；
S2、对获取的测量数据及附加信息进行数据预处理，包括但不限于：
截取所述测量数据波形时间曲线中与abs制动动作相关长度的数据作为原始波形数据；
采用高通滤波器去除基线漂移噪音；
基于标准方差和阈值法确认噪音是否过高，噪音过高时使用低通巴特沃斯滤波器去除噪音干扰；
S3、非结构数据的CNN算法训练：
将非结构化数据，作为卷积神经网络CNN(Convolutional Neural Network) 的输入，所述卷积神经网络(CNN)由卷积层、子采样层和全连接层组成；
设CNN全连接层的输出维数为NC，则其特征向量Vc∈R1×Nc(Vc属于1 ×Nc维的空间)，所述全连接层的输出，就是从非结构化数据中提取的故障特征；
S4、结构数据的DNN算法训练：
将结构化数据作为深度神经网络DNN(Deep Neural Network)的输入，所述深度神经网络(DNN)具有多个隐藏层，第一个隐藏层从原始数据中提取基本的低层特征，后继隐藏层将它们逐层转换成更抽象的高层特征，DNN可以自适应地从样本数据中学习到一些深层隐藏的规律，而不需要特定领域的专业知识；
设DNN最后一层隐含层的输出维数为Nd，则其特征向量Vd∈R1×Nd(Vd 属于1×Nd维的空间)，所述最后一层隐含层的输出就是从结构化数据中提取的故障特征；
步骤5、异构数据的特征融合：
设计一个包含多个隐含层的特征融合层，将CNN的全连接层和DNN的最后一层隐含层中的神经元，与特征融合层中第一个隐含层的神经元进行全连接；
全连接操作后构造的特征向量Vin∈R1×(Nc+Nd)(Vin属于1×(Nc+Nd) 维的空间)，
这个全连接操作将CNN从非结构化数据中提取的故障特征和DNN从结构化数据中提取的故障特征进行了无缝集成。
将Vin作为特征融合层第一个隐含层的输入，在特征融合层的多个隐含层中对特征向量vin进行融合映射。其过程如下：
UF1＝f(WF1(Vin)T+bF1)
UF2＝f(WF2UF1+bF2)
其中WF1是第一层特征融合层的权重矩阵，bF1是第一层特征融合层的偏置，(Vin)T表示Vin向量的转置，UF1是第一层特征融合层的输出，f是激活函数，UF2是第二层特征融合层的权重矩阵，bF2是第二层特征融合层的偏置。UF2是从非结构化数据与数值型结构化数据中提取到的融合特征。
步骤6、采用softmax分类器，对abs制动性能的分类结果进行归一化；所述Softmax分类器通过特征融合层最后一个隐含层输出的特征向量UF2进行训练。
假设总共有k个分类类别，则Softmax分类器的输出为一阶概率矩阵，对类标签从1到k估算出概率值p。其分类过程如下：
a.用Z表示分类层神经元对UF2的映射结果，Ws表示分类层的权重矩阵， bs表示分类层的偏置，则：
Z＝WsUF2+bs
b.用aj表示分类层第j个神经元的输出，Zj表示分类层第j个神经元的映射结果，则：
其中，
表示分类层所有神经元的映射结果之和。
c.用a表示分类层所有神经元的输出结果，其系统方程为：
其中，p(y(i)＝k∣Zk)，表示当第k个神经元的映射结果为Zk时，原始输入数据的标签y为第k类故障的概率。该矩阵的每一行是一个分类标签对应分类器的参数，总计k行。其损失函数可以表示为：
式中，l{·}为一指示性函数，即当括号中的值为真时，函数值为1，否则为0。根据训练样本、损失函数及偏导求解，利用梯度下降法即可求解系统方程的参数值。
步骤7、在自动诊断模块中，可使用训练好的深度学习网络，对abs制动性能检测结果进行自动识别。
A.该自动诊断模块集成了不同的深度学习算法，自适应地处理不同结构的数据，并通过对多种异构数据中提取的故障特征，进行无缝集成，更全面地表征了Abs制动装置的运行状态。
B.其既可对同一车型的abs制动装置使用相同的智能故障诊断模型，也可对同一车型、不同车号的被测车辆分别建立智能故障诊断模型；
C.对于实车测量数据，其可对相同车型、相同路面附着系数路段，因不同天气导致不同路面湿滑度时，分别采用不同的智能故障诊断模型。
对上述abs制动性能自动判定深度学习算法的具体实施方式举例如下：
步骤(1)原始数据准备
1、在本实施例的实际操作中，我们选取车身速度和车轮速度为研究对象。以制动初速度40km/h作为基准，选择数据采样频率为每10毫秒1个点，采样时间为100秒，后90秒每100毫秒取1个点，主要用于制动力不足的检测。参考图6，对样本数据加入正常状态、故障状态、制动力不足等对ABS整体状态的评价标签。
2、根据GB/T 13594-2003对ABS道路试验要求，abs性能检测主要包括高附着系数路面、低附着系数路面、对开路面和对接路面等工况。为每种工况下的故障和正常情况收集300个样本。
步骤(2)人工特征的计算
根据相关领域的先验知识和专家经验，对步骤(1)获取的一维时域波形信号滤波降噪处理后，计算滑移率、制动减速度、附着系数利用率、车轮车身减速度比、制动时间、制动距离作为ABS检测结果的判定指标。
其中，滑移率表示制动过程中车速与轮速差异程度；制动减速度反映了制动时车辆速度下降的速率；路面附着系数是指附着力与车轮法向压力的比值；减速度比是指制动时车轮减速度与车身减速度的比值；制动时间是指行驶中的汽车从脚接触制动踏板开始到车辆完全停止所经历的时间；制动距离是指车辆在规定的制动初速度下，从脚接触到制动踏板到车辆停止这个过程中车辆驶过的距离。
步骤(3)浅层模型的预训练与专家知识的数据化表达
1、针对已有的稀少的带标签样本，根据步骤(1)和步骤(2)中的方法进行预处理和特征提取。
2、采用浅层模型，基于上述特征和标签进行模型训练。采用原始数据集每类1％、2％、3％、4％的样本作为新的数据集，构成小样本数据集。训练方式包括两种：一是采用相同的人工特征，训练不同的浅层模型；二是对同一种浅层模型，改变不同的特征组合，进行模型训练。
3、设定分类准确率阈值和计算时间阈值，对上述模型进行筛选，构成候选模型池。
4、从上述候选模型池中选择模型，针对原始数据集剩余的样本数据进行预测，得到预测标签；并将上述不同候选模型的预测标签进行融合，与已有的稀少的有标签样本共同构建训练集，用于后续深度神经网络的训练。
步骤(3)获得非结构化数据所表达的分类特征
选取车身速度和车轮速度为研究对象，图7简要地示出ABS制动时车速/ 轮速对比曲线图，其中，图7(a)显示ABS故障时，车轮迅速抱死，轮速在较短时间内减小为零，而车身速度减小相对缓慢，两者的减速度间形成较大差距；图7(b)显示ABS正常工作情况时，车轮与车身减速度大小基本一致；图7(c)、图7(d)显示，在相同附着系数路面上，制动力不足时，出现了图7(d)在制动初速度小于图7(c)的情况下，制动距离远远大于图7(c)的情况；
构建卷积神经网络，其输入层的神经元为1900个，隐含层为1层，隐含层的神经元为62个。
步骤(4)获得结构化数据所表达的分类特征
1、选取能反映汽车ABS工作性能的特征参数，按顺序组合为特征集f＝{f1，f2...fn}，对于有m个样本的训练集X＝{X1，X2...Xm}，得到一个m行n列的特征矩阵Xm×n，例如，本实施例中，m＝300，n＝6，样本数据包含滑移率、制动减速度、附着系数利用率、减速度比、制动时间、制动距离6个指标，并将ABS检测结果分为三类，用(0，1)表示ABS故障，(1，0)表示ABS 正常工作，(1，1)表示制动力不足。如表1所示。
表1：样本数据实例
2、将特征矩阵X300×6作为输入，构建深度神经网络，其输入层的神经元为6个，隐含层为2层，隐含层的神经元为3个。
步骤(5)异构数据的特征融合：
1、设计一个包含2个隐含层的特征融合层，将CNN的全连接层和DNN的最后一层隐含层中的神经元，与特征融合层中第一个隐含层的神经元进行全连接，这个全连接操作用于将多模态数据的特征提取无缝集成到特征融合中。
2、将Vin∈R1×(62+3)作为特征融合层第一个隐含层的输入，在特征融合层的多个隐含层中对特征向量Vin进行融合映射。
步骤(6)采用softmax分类器，对abs制动性能的分类结果进行归一化；所述Softmax分类器通过特征融合层最后一个隐含层输出的特征向量UF2进行训练。
如上所述，说明了若干本发明中可采用的ABS检测参数及其检测方法的例子，但本发明可利用的ABS检测参数及其检测方法不限于以上的例子，设计者可以根据车辆类型、ABS工作模型、室内检测平台、测控系统以及相关模拟机构的结构类型等来自由设计。
不难发现，相比于传统的ABS检测方法，本发明提出了一种利用云数据库积累实车测量以及对应的室内整车测试数据，并基于小样本以及不同模态异构数据中的不同特征融合的abs制动性能自动判定算法及装置，能够较全面地检测装配ABS的车辆在各种路面上的制动执行情况，从而确保车辆制动的安全性，减少交通事故的发生。该方法能够自适应的提取原始信号特征，具有良好的适用性，能够有效提高汽车abs的性能检测效率，因此，具有较高的实用价值。
以上所述的本发明实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。
Claims (9)
1.一种ABS故障诊断系统，其特征在于：包括数据采集组件、诊断服务组件和数据交互组件；所述数据采集组件包括自动检测模块以及用于接收用户数据，尤其是用户对需检测的至少一个操作参数进行预先标定的用户标定数据输入装置；所述自动检测模块通过现场接口与被测车辆相连，获取被测车辆的实车数据，并对实车数据进行初步判断、计算和分析，将经过处理后的数据通过工业总线和/或互联网传输至诊断服务组件和数据交互组件；所述诊断服务组件包括应用服务模块以及自动诊断模块；所述诊断服务组件通过工业总线和/或互联网与数据采集组件和数据交互组件通信；所述数据交互组件包括具有多种功能的私有数据发送接口和公共数据发送接口。
2.如权利要求1所述的一种ABS故障诊断系统，其特征在于：所述诊断服务组件的应用服务模块将从数据采集组件接收到的所述处理后的结果数据，送入自动诊断模块进行智能分析，并将智能分析结果传输至与其连接的数据交互组件。
3.如权利要求1或2所述的一种ABS故障诊断系统，其特征在于：所述ABS故障诊断系统所对应的实现系统包括abs制动检测台、被测车辆、ODB适配器、工位计算机、数据库服务器、以太网以及制动台电控柜；所述工位计算机通过现场总线与制动台电控柜、ODB适配器连接，并通过以太网与数据库服务器连接通讯；所述OBD适配器的另一端通过车载诊断协议连接被测车辆的车载OBD接口，与其上的ABS电子控制单元通讯；所述制动台电控柜安装有嵌入式控制板卡及A/D信号转换板卡，并通过信号线连接abs制动检测台。
4.一种ABS故障诊断方法，其特征在于：包括以下步骤，
S1：获取abs制动过程中与性能检测相关的测量数据及附加信息；
S2：制作带标签的样本数据；
S3：候选模型的预训练与专家知识的数据化表达；
S4：深度神经网络的训练和优选；
S5：在自动诊断模块中，使用训练好的小样本学习网络，对abs制动性能检测结果进行自动识别。
5.如权利要求4所述的一种ABS故障诊断方法，其特征在于：所述步骤S1中，所述测量数据及附加信息包括车速、轮速、踏板力、abs制动时间、间隔、制动管路压力的原始一维时域测量数据以及车型、车号、车龄、车型技术参数、道路位置、气象数据附加信息，上述数据来源于预设的车型、车号技术参数数据库。
6.如权利要求5所述的一种ABS故障诊断方法，其特征在于：所述步骤S1中针对原始一维时域测量数据进行高斯平均滤波、中值滤波处理，去除原始信号中的高频噪声；提取能反映汽车ABS工作性能的人工特征参数，包括但不限于：滑移率阈值、滑移率均值、滑移率方差、ABS调整次数特征数据；截取所述测量数据波形时间曲线中与abs制动动作相关长度的数据。
7.如权利要求4所述的一种ABS故障诊断方法，其特征在于：所述步骤S2中的制作带标签的样本数据包括表示ABS工作状态的判定结果以及对ABS制动次数、制动压力、制动定时预设控制参数的评价结果；依据制动测量数据、车载和路边气象数据进行标定的路面附着系数以及路面湿滑度标签数据。
8.如权利要求4所述的一种ABS故障诊断方法，其特征在于：所述步骤S3具体包括以下步骤，A1：针对带标签样本，根据步骤S1进行预处理和特征提取；A2：采用支持向量机，基于上述特征和标签进行模型训练；A3：设定分类准确率阈值和计算时间阈值，对上述模型进行筛选，构成候选模型池；A4：从上述候选模型池中选择模型，针对原始数据集剩余的样本数据进行预测，得到预测标签，所述预测标签实现专家知识和经验的数据化表达；A5：采用简单多数投票法将上述不同候选模型的预测标签进行融合，与已有的有标签样本共同构建训练集，用于后续深度神经网络的训练。
9.如权利要求4所述的一种ABS故障诊断方法，其特征在于：所述步骤S4具体包括以下步骤，B1：将样本数据分为3类，用(0、1)表示ABS故障，(1、0)表示ABS正常工作，(1、1)表示制动力不足，每类样本选择滑移率均值、滑移率方差和附着系数利用率三个参数作为特征参数；B2：利用步骤S3中得到的混合数据集，采用小批量随机梯度下降法对网络进行训练，学习权重参数；B3：基于分类准确率，对上述深度神经网络模型的性能进行评估；B4：调整网络超参数，重新训练模型，并评估其性能；B5：改变候选模型组合得到不同的融合预测标签，重新训练上述深度神经网络，并评估其性能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110161341.7A CN113156913A (zh) | 2021-02-05 | 2021-02-05 | 一种abs故障诊断系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110161341.7A CN113156913A (zh) | 2021-02-05 | 2021-02-05 | 一种abs故障诊断系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113156913A true CN113156913A (zh) | 2021-07-23 |
Family
ID=76883008
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110161341.7A Pending CN113156913A (zh) | 2021-02-05 | 2021-02-05 | 一种abs故障诊断系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113156913A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220063641A1 (en) * | 2020-08-27 | 2022-03-03 | Hyundai Motor Company | Device and method for detecting failure of actuator of vehicle |
| GB2613135A (en) * | 2021-07-27 | 2023-05-31 | Microlise Ltd | Brake performance monitoring system |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120066604A1 (en) * | 2011-04-29 | 2012-03-15 | General Electric Company | Method, system and computer program product for dynamic rule engine for a wind turbine farm |
| CN104635715A (zh) * | 2013-11-06 | 2015-05-20 | 上海航天汽车机电股份有限公司 | 一种用于abs/esc的故障自诊断系统及其hil自动化测试系统 |
| CN108344574A (zh) * | 2018-04-28 | 2018-07-31 | 湖南科技大学 | 一种基于深度联合适配网络的风电机组轴承故障诊断方法 |
| CN108362506A (zh) * | 2018-02-08 | 2018-08-03 | 安徽安凯汽车股份有限公司 | Abs动态检测仪 |
| CN110187694A (zh) * | 2018-02-22 | 2019-08-30 | 发那科株式会社 | 故障预测装置以及机器学习装置 |
| US20190333291A1 (en) * | 2017-01-13 | 2019-10-31 | Huawei Technologies Co., Ltd. | Cloud-Based Vehicle Fault Diagnosis Method, Apparatus, and System |
| CN210221806U (zh) * | 2019-06-18 | 2020-03-31 | 深圳大雷汽车检测股份有限公司 | 污染判定标定车辆及其车载尾气检测设备 |
| CN111539374A (zh) * | 2020-05-07 | 2020-08-14 | 上海工程技术大学 | 基于多维数据空间的轨道列车轴承故障诊断系统及方法 |
| CN112985830A (zh) * | 2021-02-05 | 2021-06-18 | 深圳大雷汽车检测股份有限公司 | 一种abs结果自动判定算法 |
-
2021
- 2021-02-05 CN CN202110161341.7A patent/CN113156913A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120066604A1 (en) * | 2011-04-29 | 2012-03-15 | General Electric Company | Method, system and computer program product for dynamic rule engine for a wind turbine farm |
| CN104635715A (zh) * | 2013-11-06 | 2015-05-20 | 上海航天汽车机电股份有限公司 | 一种用于abs/esc的故障自诊断系统及其hil自动化测试系统 |
| US20190333291A1 (en) * | 2017-01-13 | 2019-10-31 | Huawei Technologies Co., Ltd. | Cloud-Based Vehicle Fault Diagnosis Method, Apparatus, and System |
| CN108362506A (zh) * | 2018-02-08 | 2018-08-03 | 安徽安凯汽车股份有限公司 | Abs动态检测仪 |
| CN110187694A (zh) * | 2018-02-22 | 2019-08-30 | 发那科株式会社 | 故障预测装置以及机器学习装置 |
| CN108344574A (zh) * | 2018-04-28 | 2018-07-31 | 湖南科技大学 | 一种基于深度联合适配网络的风电机组轴承故障诊断方法 |
| CN210221806U (zh) * | 2019-06-18 | 2020-03-31 | 深圳大雷汽车检测股份有限公司 | 污染判定标定车辆及其车载尾气检测设备 |
| CN111539374A (zh) * | 2020-05-07 | 2020-08-14 | 上海工程技术大学 | 基于多维数据空间的轨道列车轴承故障诊断系统及方法 |
| CN112985830A (zh) * | 2021-02-05 | 2021-06-18 | 深圳大雷汽车检测股份有限公司 | 一种abs结果自动判定算法 |
Non-Patent Citations (2)
| Title |
|---|
| WANG, YL: "Data-Driven Fault Detection for Vehicle Lateral Dynamics", 《36TH CHINESE CONTROL CONFERENCE (CCC)》, 31 December 2017 (2017-12-31) * |
| 樊浩: "基于模型的汽车防抱死系统（ABS）故障诊断研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, 15 January 2019 (2019-01-15) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220063641A1 (en) * | 2020-08-27 | 2022-03-03 | Hyundai Motor Company | Device and method for detecting failure of actuator of vehicle |
| US11858522B2 (en) * | 2020-08-27 | 2024-01-02 | Hyundai Motor Company | Device and method for detecting failure of actuator of vehicle |
| GB2613135A (en) * | 2021-07-27 | 2023-05-31 | Microlise Ltd | Brake performance monitoring system |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113188807B (zh) | 一种abs结果自动判定算法 | |
| CN100538761C (zh) | 基于数据融合模式识别的嵌入式故障智能诊断装置及方法 | |
| CN111238825B (zh) | 面向组合试验路面的智能驾驶自动紧急制动性能测试方法 | |
| CN109147279B (zh) | 一种基于车联网的驾驶员疲劳驾驶监测预警方法及系统 | |
| CN113156913A (zh) | 一种abs故障诊断系统及方法 | |
| CN101169873A (zh) | 一种异常驾驶智能检测系统及其检测方法 | |
| CN108197731B (zh) | 一种基于共同训练的机动车尾气遥测与车检结果一致性方法 | |
| CN112985830B (zh) | 一种abs结果自动判定算法 | |
| CN102998130B (zh) | 基于加速度测量的数据驱动的列车悬挂系统故障检测方法 | |
| CN109670584A (zh) | 一种基于大数据的故障诊断方法及系统 | |
| CN110781873A (zh) | 一种双模态特征融合的驾驶员疲劳等级识别方法 | |
| CN110790101A (zh) | 基于大数据分析的电梯困人误报识别方法 | |
| CN110696835B (zh) | 一种车辆危险行驶行为的自动预警方法及自动预警系统 | |
| CN110781872A (zh) | 一种双模态特征融合的驾驶员疲劳等级识别系统 | |
| CN113222187B (zh) | 一种共享助力车刹车健康度智能监测方法 | |
| US20220126894A1 (en) | Deep learning - based stop control method and system for high-speed train | |
| CN112951271A (zh) | 一种基于声学辅助的隧道交通安全警示方法、系统 | |
| CN115508073A (zh) | 基于多尺度注意力的原型适配机械设备故障诊断方法 | |
| CN110992709A (zh) | 一种基于驾驶员疲劳状态的主动限速系统 | |
| CN114038049A (zh) | 一种基于边缘计算的驾驶员行为特征提取及判别方法 | |
| Wang et al. | Road surface state recognition based on semantic segmentation | |
| CN116644278A (zh) | 基于样本筛选和特征提取的双模型轴承异常检测算法 | |
| CN115774942A (zh) | 基于车联网实车数据和svm的驾驶风格辨识模型建模与统计方法 | |
| CN115545101A (zh) | 一种基于残差神经网络的高速列车转向架故障诊断方法 | |
| Fazio et al. | A new application for analyzing driving behavior and environment characterization in transportation systems based on a fuzzy logic approach |
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 |