CN114154400B - 无人车辆健康状态检测系统及检测方法 - Google Patents
无人车辆健康状态检测系统及检测方法 Download PDFInfo
- Publication number
- CN114154400B CN114154400B CN202111345294.8A CN202111345294A CN114154400B CN 114154400 B CN114154400 B CN 114154400B CN 202111345294 A CN202111345294 A CN 202111345294A CN 114154400 B CN114154400 B CN 114154400B
- Authority
- CN
- China
- Prior art keywords
- unmanned vehicle
- fault
- engine
- training unit
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims description 43
- 230000036541 health Effects 0.000 title abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 104
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 56
- 230000003862 health status Effects 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 2
- 230000001934 delay Effects 0.000 claims 1
- 230000007246 mechanism Effects 0.000 abstract description 10
- 238000000034 method Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000016776 visual perception Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种无人车辆健康状态检测方法，所述系统包括：模型建立设备，用于建立深度卷积神经网络模型，其输入数据为判断时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数，其输出数据为判断时刻特种无人车辆发动机故障类型对应的故障编号；网络训练设备，包括第一训练单元、第二训练单元、第三训练单元、第四训练单元和第五训练单元，用于训练所述深度卷积神经网络模型。本发明还涉及一种无人车辆健康状态检测系统。通过本发明，能够引入深度卷积神经网络对发动机当前主要故障类型进行智能化解析，同时引入了针对性训练机制以及兼顾各种类型发动机的隐含层数量选择机制，从而保证了训练后的深度卷积神经网络的可靠性和兼容性。
Description
技术领域
本发明涉及特种无人车辆监控领域，尤其涉及一种无人车辆健康状态检测系统及检测方法。
背景技术
现有技术中对特种无人车辆发动机的健康状态检测机制需要对发动机各个组成零件本身状态以及相关零件的关联状态进行复杂、繁琐的分析，才能给出发动机当前的主要故障类型，一方面，这种分析模式费时费力，导致给出故障代码过慢，无法为特种无人车辆的故障解决留足时间，另一方面，这种分析模式过于复杂，分析精度难以满足当前需求。
发明内容
为了解决上述问题，本发明提供了一种无人车辆健康状态检测系统及检测方法，能够利用与特种无人车辆发动机故障最为密切相关的发动机噪声在时间轴上的数值分布情况，引入深度卷积神经网络对发动机当前主要故障类型进行智能化解析，尤其重要的是，引入了兼顾各种主要故障类型的针对性训练机制以及兼顾各种类型发动机的隐含层数量选择机制，保证了训练后的深度卷积神经网络的可靠性和兼容性。
相比较于现有技术，本发明至少需要具备以下几处突出的实质性特点：（1）基于特种无人车辆发动机噪声幅度和频率与发动机故障类型的关联关系，建立深度卷积神经网络实现二者关系的数值映射，从而能够基于特种无人车辆当前发动机噪
声信号在时间轴上的分布情况直接给出当前发动机的故障类型，实现了当前发动机的故障类型的智能化判断；（2）根据发动机的五种常见故障类型引入包括第一训练单元、第二训练单元、第三训练单元、第四训练单元和第五训练单元的定制模型训练机制，从而实现对深度卷积神经网络模型的针对性训练；（3）特种无人车辆的发动机零件数量越多，采用的深度卷积神经网络模型的隐含层的数量的取值越大，从而使得建立的人工智能模型能够兼顾各种特种无人车辆发动机的故障类型判断。
根据本发明的第一方面，提供了一种无人车辆健康状态检测系统，所述系统包括：模型建立设备，用于建立深度卷积神经网络模型，所述深度卷积神经网络模型包括单个输入层、N个隐含层和单个输出层，其中，N为大于等于1的自然数，所述输入层的输入数据为判断时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数，所述输出层的输出数据为判断时刻特种无人车辆发动机故障类型对应的故障编号；网络训练设备，包括第一训练单元、第二训练单元、第三训练单元、第四训练单元和第五训练单元，用于对所述深度卷积神经网络模型进行训练；信息采集设备，与所述网络训练设备连接，用于采集当前时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数作为所述网络训练设备训练后的模型的输入层的输入数据；故障判断设备，与所述信息采集设备连接，用于运行所述网络训练设备训练后的模型以将输出层输出的故障编号对应的故障类型作为所述特种无人车辆当前的发动机故障类型输出；其中，所述输入层的输入数据为判断时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数包括：预设数量的各个采集时间段时间长度相等；其中，所述输入层的输入数据为判断时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数包括：针对每一采集时间段，对应的幅度参数为在所述采集时间段内采集的特种无人车辆发动机噪声的最大幅度；其中，所述输入层的输入数据为判断时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数包括：针对每一采集时间段，对应的频率参数为在所述采集时间段内采集的特种无人车辆发动机噪声的平均频率；其中，所述深度卷积神经网络模型包括单个输入层、N个隐含层和单个输出层包括：所述特种无人车辆的发动机零件数量越多，N的取值越大。
根据本发明的第二方面，提供了一种无人车辆健康状态检测系统，所述系统包括存储器以及一个或多个处理器，所述存储器存储有计算机程序，所述计算机程序被配置成由所述一个或多个处理器执行以完成以下步骤：建立深度卷积神经网络模型，所述深度卷积神经网络模型包括单个输入层、N个隐含层和单个输出层，其中，N为大于等于1的自然数，所述输入层的输入数据为判断时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数，所述输出层的输出数据为判断时刻特种无人车辆发动机故障类型对应的故障编号；使用训练单元对所述深度卷积神经网络模型进行训练；
采集当前时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数作为所述网络训练设备训练后的模型的输入层的输入数据；运行所述网络训练设备训练后的模型以将输出层输出的故障编号对应的故障类型作为所述特种无人车辆当前的发动机故障类型输出；其中，所述输入层的输入数据为判断时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数包括：预设数量的各个采集时间段时间长度相等；其中，所述输入层的输入数据为判断时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数包括：针对每一采集时间段，对应的幅度参数为在所述采集时间段内采集的特种无人车辆发动机噪声的最大幅度；其中，所述输入层的输入数据为判断时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数包括：针对每一采集时间段，对应的频率参数为在所述采集时间段内采集的特种无人车辆发动机噪声的平均频率；其中，所述深度卷积神经网络模型包括单个输入层、N个隐含层和单个输出层包括：所述特种无人车辆的发动机零件数量越多，N的取值越大。
根据本发明的第三方面，提供了一种无人车辆健康状态检测方法，所述方法包括：建立深度卷积神经网络模型，所述深度卷积神经网络模型包括单个输入层、N个隐含层和单个输出层，其中，N为大于等于1的自然数，所述输入层的输入数据为判断时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数，所述输出层的输出数据为判断时刻特种无人车辆发动机故障类型对应的故障编号；使用训练单元对所述深度卷积神经网络模型进行训练；采集当前时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数作为所述网络训练设备训练后的模型的输入层的输入数据；运行所述网络训练设备训练后的模型以将输出层输出的故障编号对应的故障类型作为所述特种无人车辆当前的发动机故障类型输出；其中，所述输入层的输入数据为判断时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数包括：预设数量的各个采集时间段时间长度相等；其中，所述输入层的输入数据为判断时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数包括：针对每一采集时间段，对应的幅度参数为在所述采集时间段内采集的特种无人车辆发动机噪声的最大幅度；其中，所述输入层的输入数据为判断时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数包括：针对每一采集时间段，对应的频率参数为在所述采集时间段内采集的特种无人车辆发动机噪声的平均频率；其中，所述深度卷积神经网络模型包括单个输入层、N个隐含层和单个输出层包括：所述特种无人车辆的发动机零件数量越多，N的取值越大。
附图说明
以下将结合附图对本发明的实施方案进行描述，其中：图1为根据本发明的无人车辆健康状态检测系统及检测方法的技术流程图。
图2为根据本发明的实施例1示出的无人车辆健康状态检测系统的结构示意图。
图3为根据本发明的实施例1示出的无人车辆健康状态检测系统的网络训练设备的结构示意图。
图4为根据本发明的实施例2示出的无人车辆健康状态检测系统的结构示意图。
图5为根据本发明的实施例3示出的无人车辆健康状态检测系统的结构示意图。
图6为根据本发明的实施例4示出的无人车辆健康状态检测系统的结构示意图。
图7为根据本发明的实施例5示出的无人车辆健康状态检测方法的步骤流程图。
具体实施方式
特种无人车辆本身固有的优势也带来了相应的缺陷，例如，在相比较于坦克轻便灵活的同时，如果其动力设施例如发动机一旦发生故障且无法快速排查故障类型并解决相应故障，其轻便灵活的优势无法发挥。
为了克服上述不足，本发明搭建了一种无人车辆健康状态检测系统及检测方法，通过建立可靠、兼容的深度卷积神经网络模型实现与特种无人车辆发动机故障最为密切相关的发动机噪声和发动机当前主要故障类型的关系对应，使得特种无人车辆的健康状态检测更加智能，从而便于快速排查故障类型并解决相应故障。
如图1所示，给出了根据本发明示出的无人车辆健康状态检测系统及检测方法的技术流程图。
如图1所示，本发明的具体的技术流程如下：首先，检测在判断时刻之前每一时间段内特种无人车辆发动机的噪声信号，各个时间段的时间长度相等；其次，从每一时间段内特种无人车辆发动机的噪声信号中解析出所述时间段内的噪声最大幅度和噪声平均频率；再次，建立深度卷积神经网络模型并训练深度卷积神经网络模型，所述深度卷积神经网络模型给出了特种无人车辆发动机噪声幅度和频率与发动机故障类型的关联关系；最后，将各个时间段分别对应的噪声最大幅度和噪声平均频率作为训练后的深度卷积神经网络模型的输入层数据并运行训练后的深度卷积神经网络模型以获得其输出层数据即发动机故障类型的对应故障代码。
本发明的关键点在于，以与特种无人车辆发动机故障最为密切相关的发动机噪声为发动机故障类型检测的关键数据，以给出特种无人车辆发动机噪声幅度和频率与发动机
故障类型的关联关系的深度卷积神经网络模型为智能检测模型，并给出了针对性的训练机制，从而能够利用训练后的模型以及上述关键数据解析出相应的特种无人车辆发动机当前故障类型，其中，各种类型发动机的隐含层数量选择机制使得能够采用同一套检测机制完成各种复杂程度的发动机的故障智能检测。
下面，将对本发明的无人车辆健康状态检测系统及检测方法以实施例的方式进行具体说明。
实施例1
图2为根据本发明的实施例1示出的无人车辆健康状态检测系统的结构示意图。
如图2所示，所述无人车辆健康状态检测系统包括以下部件：模型建立设备，用于建立深度卷积神经网络模型，所述深度卷积神经网络模型包括单个输入层、N个隐含层和单个输出层，其中，N为大于等于1的自然数，所述输入层的输入数据为判断时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数，所述输出层的输出数据为判断时刻特种无人车辆发动机故障类型对应的故障编号；网络训练设备，包括第一训练单元、第二训练单元、第三训练单元、第四训练单元和第五训练单元，用于对所述深度卷积神经网络模型进行训练，如图3所示，给出了网络训练设备的内部结构；信息采集设备，与所述网络训练设备连接，用于采集当前时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数作为所述网络训练设备训练后的模型的输入层的输入数据；故障判断设备，与所述信息采集设备连接，用于运行所述网络训练设备训练后的模型以将输出层输出的故障编号对应的故障类型作为所述特种无人车辆当前的发动机故障类型输出；其中，所述输入层的输入数据为判断时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数包括：预设数量的各个采集时间段时间长度相等；其中，所述输入层的输入数据为判断时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数包括：针对每一采集时间段，对应的幅度参数为在所述采集时间段内采集的特种无人车辆发动机噪声的最大幅度；其中，所述输入层的输入数据为判断时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数包括：针对每一采集时间段，对应的频率参数为在所述采集时间段内采集的特种无人车辆发动机噪声的平均频率；其中，所述深度卷积神经网络模型包括单个输入层、N个隐含层和单个输出层包括：所述特种无人车辆的发动机零件数量越多，N的取值越大。
实施例2
图4为根据本发明的实施例2示出的无人车辆健康状态检测系统的结构示意图。
如图4所示，所述无人车辆健康状态检测系统还包括：数据显示设备，设置在所述特种无人车辆的中控台处，与所述故障判断设备连接，用于接收并显示所述特种无人车辆当前的发动机故障类型。
实施例3
图5为根据本发明的实施例3示出的无人车辆健康状态检测系统的结构示意图。
如图5所示，所述无人车辆健康状态检测系统还包括：无线通信设备，设置在所述特种无人车辆的车身上，与所述故障判断设备连接，用于将接收到的所述特种无人车辆当前的发动机故障类型无线发送给远端的车辆控制中心的云端服务器。
在上述实施例的任一实施例中，可选地，在所述无人车辆健康状态检测系统中：所述输出层的输出数据为判断时刻特种无人车辆发动机故障类型对应的故障编号包括：特种无人车辆发动机故障类型包括点火提前角提前、点火提前角滞后、进气间隙过大、排气间隙过大以及一缸不工作；其中，所述输出层的输出数据为判断时刻特种无人车辆发动机故障类型对应的故障编号包括：点火提前角提前、点火提前角滞后、进气间隙过大、排气间隙过大以及一缸不工作分别对应的故障编号为00、01、02、03和04。
其中，在所述网络训练设备中，所述第一训练单元与所述模型建立设备连接，用于将特种无人车辆发动机处于点火提前角提前的发动机故障时之前预设数量的各个采集时间段分别对应的幅度参数和频率参数作为所述深度卷积神经网络模型的输入层的输入数据，将00作为所述深度卷积神经网络模型的输出层的输出数据对所述深度卷积神经网络模型进行训练。
其中，在所述网络训练设备中，所述第二训练单元与所述第一训练单元连接，用于将发动机故障替换为点火提前角滞后，将输出数据替换为01对所述第一训练单元训练后的模型进行训练；其中，在所述网络训练设备中，所述第三训练单元与所述第二训练单元连接，用于将发动机故障替换为进气间隙过大，将输出数据替换为02对所述第二训练单元训练后的模型进行训练；其中，在所述网络训练设备中，所述第四训练单元与所述第三训练单元连接，用于将发动机故障替换为排气间隙过大，将输出数据替换为03对所述第三训练单元训练后的模型进行训练；其中，在所述网络训练设备中，所述第五训练单元与所述第四训练单元连接，用于将发动机故障替换为一缸不工作，将输出数据替换为04对所述第四训练单元训练后的模型进行训练，并将训练后的模型作为所述网络训练设备训练后的模型输出。
实施例4
图6为根据本发明的实施例4示出的无人车辆健康状态检测系统的结构方框图。
如图6所示，所述无人车辆健康状态检测系统包括存储器以及一个或多个处理器，所述存储器存储有计算机程序，所述计算机程序被配置成由所述一个或多个处理器执行以完成以下步骤：建立深度卷积神经网络模型，所述深度卷积神经网络模型包括单个输入层、N个隐含层和单个输出层，其中，N为大于等于1的自然数，所述输入层的输入数据为判断时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数，所述输出层的输出数据为判断时刻特种无人车辆发动机故障类型对应的故障编号；使用训练单元对所述深度卷积神经网络模型进行训练；采集当前时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数
作为所述网络训练设备训练后的模型的输入层的输入数据；运行所述网络训练设备训练后的模型以将输出层输出的故障编号对应的故障类型作为所述特种无人车辆当前的发动机故障类型输出；其中，所述输入层的输入数据为判断时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数包括：预设数量的各个采集时间段时间长度相等；其中，所述输入层的输入数据为判断时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数包括：针对每一采集时间段，对应的幅度参数为在所述采集时间段内采集的特种无人车辆发动机噪声的最大幅度；其中，所述输入层的输入数据为判断时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数包括：针对每一采集时间段，对应的频率参数为在所述采集时间段内采集的特种无人车辆发动机噪声的平均频率；其中，所述深度卷积神经网络模型包括单个输入层、N个隐含层和单个输出层包括：所述特种无人车辆的发动机零件数量越多，N的取值越大；如图6所示，示例性地，给出了M个处理器，其中，M为大于等于1的自然数。
实施例5
图7为根据本发明的实施例5示出的无人车辆健康状态检测方法的步骤流程图。
如图7所示，所述无人车辆健康状态检测方法包括：建立深度卷积神经网络模型，所述深度卷积神经网络模型包括单个输入层、N个隐含层和单个输出层，其中，N为大于等于1的自然数，所述输入层的输入数据为判断时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数，所述输出层的输出数据为判断时刻特种无人车辆发动机故障类型对应的故障编号；使用训练单元对所述深度卷积神经网络模型进行训练；采集当前时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数作为所述网络训练设备训练后的模型的输入层的输入数据；运行所述网络训练设备训练后的模型以将输出层输出的故障编号对应的故障类型作为所述特种无人车辆当前的发动机故障类型输出；其中，所述输入层的输入数据为判断时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数包括：预设数量的各个采集时间段时间长度相等；其中，所述输入层的输入数据为判断时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数包括：针对每一采集时间段，对应的幅度参数为在所述采集时间段内采集的特种无人车辆发动机噪声的最大幅度；其中，所述输入层的输入数据为判断时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数包括：针对每一采集时间段，对应的频率参数为在所述采集时间段内采集的特种无人车辆发动机噪声的平均频率；其中，所述深度卷积神经网络模型包括单个输入层、N个隐含层和单个输出层包括：所述特种无人车辆的发动机零件数量越多，N的取值越大。
另外，卷积神经网络（ConvolutionalNeuralNetworks,CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（FeedforwardNeuralNetworks），是深度学习（deeplearning）的代表算法之一。卷积神经网络具有表征学（representationlearning）能力，能够按其阶层结构对输入信息进行平移不变分类（shift-invariant classification），因此也被称为“平移不变人工神经网络（Shift-InvariantArtificial NeuralNetworks,SIANN）”。
卷积神经网络仿造生物的视知觉（visualperception）机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化（grid-liketopology）特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程（featureengineering）要求。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的实施方式的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。在本说明书的描述中，参考术语“一个实施方式”、“某些实施方式”、“示意性实施方式”、“示例”、“具体示例”或“一些示例”等的描述意指结合所述实施方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。。
Claims (3)
1.一种无人车辆健康状态检测系统，用于特种无人车辆，其特征在于，所述系统包括：
模型建立设备，用于建立深度卷积神经网络模型，所述深度卷积神经网络模型包括单个输入层、N个隐含层和单个输出层，其中，N为大于等于1的自然数，所述输入层的输入数据为判断时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数，所述输出层的输出数据为判断时刻特种无人车辆发动机故障类型对应的故障编号；
网络训练设备，包括第一训练单元、第二训练单元、第三训练单元、第四训练单元和第五训练单元，用于对所述深度卷积神经网络模型进行训练；
信息采集设备，与所述网络训练设备连接，用于采集当前时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数作为所述网络训练设备训练后的模型的输入层的输入数据；
故障判断设备，与所述信息采集设备连接，用于运行所述网络训练设备训练后的模型以将输出层输出的故障编号对应的故障类型作为所述特种无人车辆当前的发动机故障类型输出；
其中，所述输入层的输入数据为判断时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数包括：预设数量的各个采集时间段时间长度相等；
其中，所述输入层的输入数据为判断时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数包括：针对每一采集时间段，对应的幅度参数为在所述采集时间段内采集的特种无人车辆发动机噪声的最大幅度；
其中，所述输入层的输入数据为判断时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数包括：针对每一采集时间段，对应的频率参数为在所述采集时间段内采集的特种无人车辆发动机噪声的平均频率；
其中，所述深度卷积神经网络模型包括单个输入层、N个隐含层和单个输出层包括：所述特种无人车辆的发动机零件数量越多，N的取值越大；
其中，所述输出层的输出数据为判断时刻特种无人车辆发动机故障类型对应的故障编号包括：特种无人车辆发动机故障类型包括点火提前角提前、点火提前角滞后、进气间隙过大、排气间隙过大以及一缸不工作；
其中，所述输出层的输出数据为判断时刻特种无人车辆发动机故障类型对应的故障编号包括：点火提前角提前、点火提前角滞后、进气间隙过大、排气间隙过大以及一缸不工作分别对应的故障编号为00、01、02、03和04；
在所述网络训练设备中，所述第一训练单元与所述模型建立设备连接，用于将特种无人车辆发动机处于点火提前角提前的发动机故障时之前预设数量的各个采集时间段分别对应的幅度参数和频率参数作为所述深度卷积神经网络模型的输入层的输入数据，将00作为所述深度卷积神经网络模型的输出层的输出数据对所述深度卷积神经网络模型进行训练；
所述第二训练单元与所述第一训练单元连接，用于将发动机故障替换为点火提前角滞后，将输出数据替换为01对所述第一训练单元训练后的模型进行训练；
其中，在所述网络训练设备中，所述第三训练单元与所述第二训练单元连接，用于将发动机故障替换为进气间隙过大，将输出数据替换为02对所述第二训练单元训练后的模型进行训练；
所述第四训练单元与所述第三训练单元连接，用于将发动机故障替换为排气间隙过大，将输出数据替换为03对所述第三训练单元训练后的模型进行训练；
其中，在所述网络训练设备中，所述第五训练单元与所述第四训练单元连接，用于将发动机故障替换为一缸不工作，将输出数据替换为04对所述第四训练单元训练后的模型进行训练，并将训练后的模型作为所述网络训练设备训练后的模型输出。
2.如权利要求1所述的无人车辆健康状态检测系统，其特征在于，所述系统还包括：
数据显示设备，设置在所述特种无人车辆的中控台处，与所述故障判断设备连接，用于接收并显示所述特种无人车辆当前的发动机故障类型。
3.如权利要求1所述的无人车辆健康状态检测系统，其特征在于，所述系统还包括：
无线通信设备，设置在所述特种无人车辆的车身上，与所述故障判断设备连接，用于将接收到的所述特种无人车辆当前的发动机故障类型无线发送给车辆控制中心的云端服务器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111345294.8A CN114154400B (zh) | 2021-11-15 | 2021-11-15 | 无人车辆健康状态检测系统及检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111345294.8A CN114154400B (zh) | 2021-11-15 | 2021-11-15 | 无人车辆健康状态检测系统及检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114154400A CN114154400A (zh) | 2022-03-08 |
| CN114154400B true CN114154400B (zh) | 2023-12-05 |
Family
ID=80460056
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111345294.8A Active CN114154400B (zh) | 2021-11-15 | 2021-11-15 | 无人车辆健康状态检测系统及检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114154400B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115327373B (zh) * | 2022-04-20 | 2023-04-18 | 岱特智能科技（上海）有限公司 | 基于bp神经网络的血透设备故障诊断方法及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106909136A (zh) * | 2017-02-22 | 2017-06-30 | 湖南工程学院 | 一种基于指数正则化零空间线性鉴别分析的故障诊断方法 |
| CN107844755A (zh) * | 2017-10-23 | 2018-03-27 | 重庆邮电大学 | 一种结合dae和cnn的脑电信号特征提取与分类方法 |
| CN109782603A (zh) * | 2019-02-03 | 2019-05-21 | 中国石油大学(华东) | 旋转机械耦合故障的检测方法及监测系统 |
| CN111818488A (zh) * | 2020-06-15 | 2020-10-23 | 重庆省心宝科技有限公司 | 一种基于物联网的智能obd车载终端及其应用方法 |
| CN113240073A (zh) * | 2021-04-15 | 2021-08-10 | 特斯联科技集团有限公司 | 基于深度学习的智能决策系统及方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107463907B (zh) * | 2017-08-08 | 2021-06-25 | 东软集团股份有限公司 | 车辆碰撞检测方法、装置、电子设备及车辆 |
| CN111061277B (zh) * | 2019-12-31 | 2022-04-05 | 歌尔股份有限公司 | 一种无人车全局路径规划方法和装置 |
-
2021
- 2021-11-15 CN CN202111345294.8A patent/CN114154400B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106909136A (zh) * | 2017-02-22 | 2017-06-30 | 湖南工程学院 | 一种基于指数正则化零空间线性鉴别分析的故障诊断方法 |
| CN107844755A (zh) * | 2017-10-23 | 2018-03-27 | 重庆邮电大学 | 一种结合dae和cnn的脑电信号特征提取与分类方法 |
| CN109782603A (zh) * | 2019-02-03 | 2019-05-21 | 中国石油大学(华东) | 旋转机械耦合故障的检测方法及监测系统 |
| CN111818488A (zh) * | 2020-06-15 | 2020-10-23 | 重庆省心宝科技有限公司 | 一种基于物联网的智能obd车载终端及其应用方法 |
| CN113240073A (zh) * | 2021-04-15 | 2021-08-10 | 特斯联科技集团有限公司 | 基于深度学习的智能决策系统及方法 |
Non-Patent Citations (3)
| Title |
|---|
| 一种基于BP神经网络群的自适应分类方法及其应用;宋锐 等;《电子学报》;第29卷(第12A期);第1950-1953页 * |
| 基于小波子空间能量特征的模式分类性能比较;徐高欢 等;《浙江水利水电专科学校学报》;第20卷(第04期);第30-33页 * |
| 模糊神经网络在变压器微机保护中的应用;张岚 等;《现代电子技术》(第4期);第59-61页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114154400A (zh) | 2022-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6950782B2 (en) | Model-based intelligent diagnostic agent | |
| CN106990773A (zh) | 车辆远程诊断方法、云服务器及系统 | |
| CN109163913A (zh) | 一种汽车故障诊断方法及相关设备 | |
| CN109844666A (zh) | 用于车内预测性故障检测的系统和方法 | |
| CN109934957A (zh) | 显示车辆ecu系统分布及状态的方法、装置及移动终端 | |
| US7181334B2 (en) | Method and apparatus to diagnose intake airflow | |
| JP2009265104A (ja) | 診断データマイニング | |
| CN114154400B (zh) | 无人车辆健康状态检测系统及检测方法 | |
| CN110968070B (zh) | 一种ecu故障智能诊断系统 | |
| CN110488707A (zh) | 整车的配置方法、配置装置和配置系统 | |
| EP3907707A1 (de) | Verfahren und diagnosevorrichtung zum durchführen einer fahrzeugdiagnose | |
| AU2019254105A1 (en) | Diagnostic system and method for processing data of a motor vehicle | |
| DE102022127546A1 (de) | Fahrzeugbusdiagnose von kraftfahrzeugnetzwerken | |
| CN115586009A (zh) | 一种故障诊断与健康管理系统、方法 | |
| DE102021118572A1 (de) | Maschinenlernvorrichtung und Maschinenlernsystem | |
| DE102021129697A1 (de) | Maschinenlernverfahren und Maschinenlernsystem | |
| CN114413409A (zh) | 用于空调故障概率的检测方法及装置、智能空调 | |
| CN113011852A (zh) | 车辆保养提醒方法、装置、车载设备及存储介质 | |
| JP2023515327A (ja) | 車両の故障有無を予測するための人工ニューラルネットワーク学習方法、車両の故障有無の判断方法、およびこれを行うコンピューティングシステム | |
| Singh et al. | Driving Analysis for Load and Fuel Consumption Using OBD-II Diagnostics | |
| DE102016201940A1 (de) | Verfahren, Vorrichtung und Computerprogramm zur Auswahl einer Applikation | |
| WO2020114724A1 (de) | Verfahren zum überprüfen wenigstens eines fahrzeugs sowie elektronische recheneinrichtung | |
| US11822421B2 (en) | Apparatus and method for diagnosing faults | |
| US11386725B2 (en) | Vehicle diagnostic apparatus | |
| DE102019208862B4 (de) | Verfahren zum Durchführen einer Testfahrt |
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 |