CN115268417A - 一种自适应ecu故障诊断控制方法 - Google Patents

一种自适应ecu故障诊断控制方法 Download PDF

Info

Publication number
CN115268417A
CN115268417A CN202211195035.6A CN202211195035A CN115268417A CN 115268417 A CN115268417 A CN 115268417A CN 202211195035 A CN202211195035 A CN 202211195035A CN 115268417 A CN115268417 A CN 115268417A
Authority
CN
China
Prior art keywords
detection
data
representing
parameter
detection parameter
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.)
Granted
Application number
CN202211195035.6A
Other languages
English (en)
Other versions
CN115268417B (zh
Inventor
曹剑钢
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.)
Nantong Aimeirui Intelligent Manufacturing Co ltd
Original Assignee
Nantong Aimeirui Intelligent Manufacturing Co ltd
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 Nantong Aimeirui Intelligent Manufacturing Co ltd filed Critical Nantong Aimeirui Intelligent Manufacturing Co ltd
Priority to CN202211195035.6A priority Critical patent/CN115268417B/zh
Publication of CN115268417A publication Critical patent/CN115268417A/zh
Application granted granted Critical
Publication of CN115268417B publication Critical patent/CN115268417B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods

Landscapes

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

Abstract

本发明涉及一种自适应ECU故障诊断控制方法，属于数据处理技术领域，该方法步骤包括：获取引发ECU发生故障的各项检测参数；获取的各项检测参数的多个检测数据构建检测数据矩阵；基于最佳投影向量对检测数据矩阵进行优化得到优化后检测数据矩阵；根据优化后检测数据矩阵判断判定ECU工作状态是否存在异常；当ECU工作状态存在异常时构建每项检测参数的正常运行模型；利用每项检测参数在每一时刻的正常运行模型值和该项检测参数在该时刻的检测数据判断该项检测参数是否存在故障状况并发出预警提示。本发明实时判断ECU工作状态是否处于异常，以便相关工作人员对ECU工作状态进行实时掌控，避免重大故障问题的出现。

Description

一种自适应ECU故障诊断控制方法
技术领域
本发明属于数据处理技术领域，具体涉及一种自适应ECU故障诊断控制方法。
背景技术
汽车ECU和普通的电脑一样，由微处理器MCU、存储器、输入/输出接口(I/O)、模数转换器(A/D)以及整形、驱动等大规模集成电路组成。用一句简单的话来形容就是ECU就是汽车的大脑。ECU的工作电压、工作电流以及工作温度都有正常的浮动区间。在ECU中CPU是核心部分，它具有运算与控制的功能，发动机在运行时，它采集各传感器的信号，进行运算，并将运算的结果转变为控制信号，控制被控对象即负载的工作。汽车发动机系统主要包括电控燃油喷射系统、电控点火系统、警告提示系统等。发动机故障诊断系统包括尾气检测，振动、音频等等的检测，如果汽车ECU及其相关连接电路出现了故障，将严重的影响汽车的正常工作，甚至带来安全事故。
ECU的检测是通过微处器或单片机来模拟传感器的信号传递给汽车ECU，微处器或单片机需要编制相应的控制程序，并且不同品牌的汽车其汽车ECU的内部程序是不同的，所以通过微处器或单片机来模拟传感器的信号发送给汽车ECU进行测试，对于维修人员来说，其通用性并不高，并且采用微处器或单片机导致结构复杂，成本较高，且不具有实时性。
发明内容
本发明提供一种自适应ECU故障诊断控制方法，实时判断ECU工作状态是否处于异常，以便相关工作人员对ECU工作状态进行实时掌控，避免重大故障问题的出现。
本发明的一种自适应ECU故障诊断控制方法采用如下技术方案：该方法包括：
基于ECU工作过程大数据获取引发ECU发生故障的各项检测参数；
获取在ECU当前检测时段内每项检测参数在不同时刻的多个检测数据，基于获取的各项检测参数的多个检测数据构建检测数据矩阵；
获取由每项检测参数的多个检测数据均值组成的均值序列，并计算该均值序列的均值；
利用各项检测参数的多个检测数据和均值序列构建自分析矩阵，利用均值序列和均值序列的均值构建互分析矩阵；
基于自分析矩阵和互分析矩阵获取最佳投影向量，基于最佳投影向量对检测数据矩阵进行优化得到优化后检测数据矩阵；
根据优化后检测数据矩阵判断判定ECU工作状态是否存在异常；
当ECU工作状态存在异常时构建每项检测参数的正常运行模型；
将每项检测参数在每一时刻前一段时间内检测数据，输入到正常运行模型中得到每项检测参数在每一时刻的正常运行模型值；
利用每项检测参数在每一时刻的正常运行模型值和该项检测参数在该时刻的检测数据判断该项检测参数是否存在故障状况并发出预警提示。
进一步地，所述获取由每项检测参数的多个检测数据均值组成的均值序列，并计算该均值序列的均值，包括：
所述每项检测参数的多个检测数据均值的计算公式如下式所示：
Figure 944063DEST_PATH_IMAGE001
其中，
Figure 391487DEST_PATH_IMAGE002
表示在检测数据矩阵中检测参数i的第j个数据；
Figure 193090DEST_PATH_IMAGE003
表示在检测数据矩阵中检测参数i的数据总数量；
Figure 693341DEST_PATH_IMAGE004
表示在检测数据矩阵中检测参数i的
Figure 674810DEST_PATH_IMAGE003
个检测数据均值；
所述均值序列的均值的计算公式如下式所示：
Figure 944117DEST_PATH_IMAGE005
其中，
Figure 385463DEST_PATH_IMAGE004
表示在检测数据矩阵中检测参数i的
Figure 107431DEST_PATH_IMAGE003
个检测数据均值
Figure 895521DEST_PATH_IMAGE006
；
Figure 81652DEST_PATH_IMAGE007
表示在检测数据矩阵中检测参数的总个数；
Figure 897161DEST_PATH_IMAGE008
表示均值序列的均值。
进一步地，所述自分析矩阵的计算公式如下式所示：
Figure 407558DEST_PATH_IMAGE009
其中，
Figure 294611DEST_PATH_IMAGE002
表示在检测数据矩阵中检测参数i的第j个数据；
Figure 272932DEST_PATH_IMAGE003
表示在检测数据矩阵中检测参数i的数据总数量；
Figure 88703DEST_PATH_IMAGE004
表示在检测数据矩阵中检测参数i的
Figure 519684DEST_PATH_IMAGE003
个检测数据均值
Figure 944849DEST_PATH_IMAGE006
；
Figure 308835DEST_PATH_IMAGE007
表示在检测数据矩阵中检测参数的总个数；
Figure 495840DEST_PATH_IMAGE010
表示自分析矩阵；
所述互分析矩阵的计算公式如下式所示：
Figure 414118DEST_PATH_IMAGE011
其中，
Figure 846236DEST_PATH_IMAGE004
表示在检测数据矩阵中检测参数i的
Figure 362930DEST_PATH_IMAGE003
个检测数据均值
Figure 956723DEST_PATH_IMAGE006
；
Figure 627875DEST_PATH_IMAGE007
表示在检测数据矩阵中检测参数的总个数；
Figure 863685DEST_PATH_IMAGE008
表示均值序列的均值；ρ为模型参数，本发明将其设置为ρ=2。
进一步地，所述基于最佳投影向量对检测数据矩阵进行优化得到优化后检测数据矩阵，包括：
获取最佳投影向量的转置向量；
根据最佳投影向量的转置向量和检测数据矩阵获取优化后检测数据矩阵；
所述优化后检测数据矩阵的计算公式如下式所示：
Figure 429359DEST_PATH_IMAGE012
其中，
Figure 459632DEST_PATH_IMAGE013
表示最佳投影向量；
Figure 352501DEST_PATH_IMAGE014
表示最佳投影向量的转置向量；
Figure 126422DEST_PATH_IMAGE015
表示检测数据矩阵；
Figure 352129DEST_PATH_IMAGE016
表示优化后检测数据矩阵。
进一步地，所述根据优化后检测数据矩阵判断判定ECU工作状态是否存在异常，包括：
基于ECU正常工作时段内每项检测参数的多个正常数据构建正常数据矩阵，按照优化后检测数据矩阵获取方法得到优化正常数据矩阵；
基于优化后检测数据矩阵和优化正常数据矩阵建立综合状况判定模型，当综合状况判定模型的综合状况判定指标低于预设指标阈值时判定ECU工作状态处于异常；
综合状况判定模型的计算公式如下式所示：
Figure 84462DEST_PATH_IMAGE017
其中，
Figure 730207DEST_PATH_IMAGE018
表示优化后检测数据矩阵中第p行第q列的元素；
Figure 540775DEST_PATH_IMAGE019
表示优化正常数据矩阵中第p行第q列的元素；
Figure 322786DEST_PATH_IMAGE020
表示优化后检测数据矩阵和优化正常数据矩阵中总行数；
Figure 694862DEST_PATH_IMAGE003
表示优化后检测数据矩阵和优化正常数据矩阵中总列数；
Figure 827903DEST_PATH_IMAGE022
表示优化后检测数据矩阵和优化正常数据矩阵中包含的总元素数；
Figure 241829DEST_PATH_IMAGE023
表示综合状况判定模型，当
Figure 878346DEST_PATH_IMAGE024
，
Figure 218061DEST_PATH_IMAGE025
为预设指标阈值，本发明中预设指标阈值
Figure 342793DEST_PATH_IMAGE025
=0.5，当
Figure 996628DEST_PATH_IMAGE024
时判定ECU工作状态处于异常。
进一步地，所述当ECU工作状态存在异常时构建每项检测参数的正常运行模型，包括：
每项检测参数的正常运行模型的计算公式如下式所示：
Figure 753231DEST_PATH_IMAGE026
其中，
Figure 732689DEST_PATH_IMAGE002
表示在检测数据矩阵中检测参数i的第j个数据；
Figure 76207DEST_PATH_IMAGE027
表示检测参数i的第
Figure 533734DEST_PATH_IMAGE028
个数据；
Figure 144844DEST_PATH_IMAGE029
表示检测参数i的第
Figure 29623DEST_PATH_IMAGE030
个数据；
Figure 654246DEST_PATH_IMAGE031
表示检测参数i的第j个数据对应的白噪声；
Figure 118725DEST_PATH_IMAGE032
为服从
Figure 849921DEST_PATH_IMAGE034
的现有白噪声序列；
Figure 905602DEST_PATH_IMAGE035
与
Figure 223713DEST_PATH_IMAGE036
分别为第i项检测参数的正常运行模型系数序列；
Figure 23041DEST_PATH_IMAGE037
表示检测参数i的第j个数据的正常运行模型值。
进一步地，所述利用每项检测参数在每一时刻的正常运行模型值和该项检测参数在该时刻的检测数据判断该项检测参数是否存在故障状况并发出预警提示，包括：
计算每项检测参数在每一时刻的正常运行模型值和该项检测参数在该时刻的检测数据的差值绝对值；
当差值绝对值大于等于该项检测参数对应的预设细诊断阈值时，判断该项检测参数是否存在故障状况并发出预警提示。
进一步地，所述预设细诊断阈值按照以下步骤得到，包括：
获取ECU正常工作时段内每项检测参数的多个正常数据组成该项检测参数的正常数据序列；
计算每项检测参数的正常数据序列的均值和标准差，并统计该项检测参数的正常数据序列中超过均值的数据以及超过均值的数据出现的次数；
根据每项检测参数的正常数据序列内包含的数据总数、每项检测参数的正常数据序列的均值和标准差，以及每项检测参数的正常数据序列中超过均值的数据以及超过均值的数据出现的次数确定每项检测参数对应的预设细诊断阈值。
进一步地，所述预设细诊断阈值的计算公式如下式所示：
Figure 874323DEST_PATH_IMAGE038
其中，
Figure 366484DEST_PATH_IMAGE039
表示偏差因子；
Figure 920960DEST_PATH_IMAGE040
表示该项检测参数的正常数据序列的均值；
Figure 258401DEST_PATH_IMAGE041
表示该项检测参数的正常数据序列的标准差；
Figure 964189DEST_PATH_IMAGE042
表示该项检测参数对应的预设细诊断阈值；
所述偏差因子的计算公式如下式所示：
Figure 158410DEST_PATH_IMAGE043
其中，
Figure 654375DEST_PATH_IMAGE044
该项检测参数的正常数据序列中超过均值的第
Figure 592244DEST_PATH_IMAGE045
个数据；
Figure 886959DEST_PATH_IMAGE046
表示该项检测参数的正常数据序列中超过均值的数据出现的次数；
Figure 720923DEST_PATH_IMAGE040
表示该项检测参数的正常数据序列的均值；
Figure 232414DEST_PATH_IMAGE041
表示该项检测参数的正常数据序列的标准差。
本发明的有益效果是：
本发明提出一种自适应ECU故障诊断控制方法，能实时判断ECU工作状态是否处于异常，以便相关工作人员对ECU工作状态进行实时掌控，避免重大故障问题的出现。同时本发明通过建立综合状况判定模型先对ECU工作状态是否处于异常进行准确判定，避免无关因素的影响，这样可以有效降低系统的检测数据量。
当综合状况判定模型初步判定ECU工作状态处于异常时，为实现对ECU状态的精确检测，对故障问题的准确识别，本发明建立每项检测参数的正常运行模型，基于每项检测参数的正常运行模型，对各项检测参数的状况进行检测分析，识别出故障参数，并作出相应的提示预警，防止重大故障的发生，提高故障诊断精度。
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，下面将对实施例或现有技术描述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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种自适应ECU故障诊断控制方法的实施例总体步骤的流程示意图。
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在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的一种自适应ECU故障诊断控制方法的实施例，如图1所示，该方法包括：
S1、基于ECU工作过程大数据获取引发ECU发生故障的各项检测参数。
汽车ECU和普通的电脑一样，由微处理器MCU、存储器、输入/输出接口(I/O)、模数转换器(A/D)以及整形、驱动等大规模集成电路组成。用一句简单的话来形容就是ECU就是汽车的大脑。ECU的电压工作范围一般在6.5-16V，内部关键处有稳压装置，ECU静态工作电流通常在0.05-0.4A之间，工作温度在-40°C～80°C。在ECU中CPU是核心部分，它具有运算与控制的功能，发动机在运行时，它采集各传感器的信号，进行运算，并将运算的结果转变为控制信号，控制被控对象即负载的工作。汽车发动机系统主要包括电控燃油喷射系统、电控点火系统、警告提示系统等。发动机故障诊断系统包括尾气检测，振动、音频等等的检测，如果汽车ECU及其相关连接电路出现了故障，将严重的影响汽车的正常工作，甚至带来安全事故。
本发明基于ECU工作过程大数据获取其在工作过程中各参数，包括：电流值、温度、电压值、功率、尾气浓度以及振动频率等各参数。基于大数据进行统计获取引发ECU发生故障的各项检测参数，本发明将各项检测参数数量记为c。本发明将通过传感器、仪器等信息采集设备对ECU故障检测的各项检测参数进行提取，用于对ECU状况进行检测，便于检测ECU的故障问题。
S2、获取在ECU当前检测时段内每项检测参数在不同时刻的多个检测数据，基于获取的各项检测参数的多个检测数据构建检测数据矩阵。
本发明中在ECU当前检测时段内获取每项检测参数在不同时刻的N个检测数据，基于获取的各项检测参数的多个检测数据构建检测数据矩阵如下式（1）所示：
Figure 442815DEST_PATH_IMAGE047
（1）
其中，
Figure 857616DEST_PATH_IMAGE002
表示在检测数据矩阵中检测参数i的第j个数据。
S3、获取由每项检测参数的多个检测数据均值组成的均值序列，并计算该均值序列的均值。
每项检测参数的多个检测数据均值的计算公式如下式（2）所示：
Figure 862481DEST_PATH_IMAGE048
（2）
其中，
Figure 864198DEST_PATH_IMAGE002
表示在检测数据矩阵中检测参数i的第j个数据。；
Figure 347131DEST_PATH_IMAGE003
表示在检测数据矩阵中检测参数i的数据总数量；
Figure 85280DEST_PATH_IMAGE004
表示在检测数据矩阵中检测参数i的
Figure 261047DEST_PATH_IMAGE003
个检测数据均值。均值序列为：
Figure 752989DEST_PATH_IMAGE049
；
均值序列的均值的计算公式如下式（3）所示：
Figure 39614DEST_PATH_IMAGE050
（3）
其中，
Figure 163428DEST_PATH_IMAGE004
表示在检测数据矩阵中检测参数i的
Figure 510095DEST_PATH_IMAGE003
个检测数据均值
Figure 486404DEST_PATH_IMAGE006
；
Figure 576720DEST_PATH_IMAGE007
表示在检测数据矩阵中检测参数的总个数；
Figure 820619DEST_PATH_IMAGE008
表示均值序列的均值。
S4、利用各项检测参数的多个检测数据和均值序列构建自分析矩阵，利用均值序列和均值序列的均值构建互分析矩阵。
自分析矩阵的计算公式如下式（4）所示：
Figure 338188DEST_PATH_IMAGE051
（4）
其中，
Figure 533284DEST_PATH_IMAGE002
表示在检测数据矩阵中检测参数i的第j个数据；
Figure 427290DEST_PATH_IMAGE003
表示在检测数据矩阵中检测参数i的数据总数量；
Figure 791276DEST_PATH_IMAGE004
表示在检测数据矩阵中检测参数i的
Figure 214167DEST_PATH_IMAGE003
个检测数据均值
Figure 165067DEST_PATH_IMAGE006
；
Figure 597186DEST_PATH_IMAGE007
表示在检测数据矩阵中检测参数的总个数；
Figure 550098DEST_PATH_IMAGE010
表示自分析矩阵；
Figure 409470DEST_PATH_IMAGE052
代表矩阵的转置。
互分析矩阵的计算公式如下式（5）所示：
Figure 307719DEST_PATH_IMAGE053
（5）
其中，
Figure 809108DEST_PATH_IMAGE004
表示在检测数据矩阵中检测参数i的
Figure 616527DEST_PATH_IMAGE003
个检测数据均值
Figure 646800DEST_PATH_IMAGE006
；
Figure 572293DEST_PATH_IMAGE007
表示在检测数据矩阵中检测参数的总个数；
Figure 346214DEST_PATH_IMAGE008
表示均值序列的均值；ρ为模型参数，本发明将其设置为ρ=2。
S5、基于自分析矩阵和互分析矩阵获取最佳投影向量，基于最佳投影向量对检测数据矩阵进行优化得到优化后检测数据矩阵。
为实现对ECU工作状况准确分析，本发明将对各项检测参数之间的关系以及各项检测参数对于ECU故障综合状况判定的贡献程度进行分析，以获取最佳投影向量。基于自分析矩阵和互分析矩阵获取最佳投影向量的过程为现有公知技术。
根据Fisher 函数可得下式（6）所示：
Figure 273718DEST_PATH_IMAGE054
（6）
式中，
Figure 474892DEST_PATH_IMAGE055
为任意的c维向量，由最大化Fisher 函数可知，
Figure 619173DEST_PATH_IMAGE056
越大，也即不同检测参数之间的差异性与同一检测参数的各项检测参数数据之间的差异性的比值越大，则认为检测参数之间的线性可分性越高，因此，对于Fisher 函数将获取其最大化所对应的向量
Figure 931205DEST_PATH_IMAGE057
，将其作为最佳投影向量如下式（7）所示，也即：
Figure 978796DEST_PATH_IMAGE058
（7）
Figure 85292DEST_PATH_IMAGE057
为最佳投影向量，用于对数据矩阵进行投影分析，以获取较为可信度较高的数据矩阵，也即获取优化数据矩阵，用于对ECU综合状况进行分析。所述最佳投影向量的获取过程为现有公知技术，大致过程为：考虑到本发明只需获取
Figure 719798DEST_PATH_IMAGE055
的方向，因此，为方便计算
Figure 101101DEST_PATH_IMAGE059
，由拉格朗日乘子法可知：
Figure 737618DEST_PATH_IMAGE060
，也即：
Figure 546174DEST_PATH_IMAGE061
，进一步基于先验知识计算矩阵
Figure 405327DEST_PATH_IMAGE062
的特征值以及特征向量，每个特征向量都是一个c维的列向量，具体过程为现有技术，不做详细阐述，最后按照从大到小选取Top-k个特征向量构成的矩阵作为最佳投影向量：
Figure 324741DEST_PATH_IMAGE063
，至此，即可得到ECU综合状态过程中的最佳投影向量。
基于最佳投影向量获取检测数据矩阵的优化后检测数据矩阵，包括：获取最佳投影向量的转置向量；根据最佳投影向量的转置向量和检测数据矩阵获取优化后检测数据矩阵；
所述优化后检测数据矩阵的计算公式如下式（8）所示：
Figure 81345DEST_PATH_IMAGE064
（8）
其中，
Figure 795223DEST_PATH_IMAGE013
表示最佳投影向量；
Figure 404321DEST_PATH_IMAGE014
表示最佳投影向量的转置向量；
Figure 861847DEST_PATH_IMAGE015
表示检测数据矩阵；
Figure 472957DEST_PATH_IMAGE016
表示优化后检测数据矩阵。
S6、根据优化后检测数据矩阵判断判定ECU工作状态是否存在异常。
基于ECU正常工作时段内每项检测参数的多个正常数据构建正常数据矩阵，按照优化后检测数据矩阵获取方法得到优化正常数据矩阵；
本发明基于汽车ECU正常工作时段内的历史数据，获取ECU正常工作时段内每项检测参数的多个正常数据并构建正常数据矩阵，按照优化后检测数据矩阵
Figure 826578DEST_PATH_IMAGE016
的获取方法得到优化正常数据矩阵
Figure 155928DEST_PATH_IMAGE065
。
基于优化后检测数据矩阵和优化正常数据矩阵建立综合状况判定模型，当综合状况判定模型的综合状况判定指标低于预设指标阈值时判定ECU工作状态处于异常。
为初步对ECU的综合状况进行诊断分析，降低系统检测量，本发明将建立综合状况判定模型，初步对ECU的综合状况进行检测分析。
所述综合状况判定模型的计算公式如下式（9）所示：
Figure 915680DEST_PATH_IMAGE066
（9）
其中，
Figure 178034DEST_PATH_IMAGE018
表示优化后检测数据矩阵中第p行第q列的元素；
Figure 499294DEST_PATH_IMAGE068
表示优化正常数据矩阵中第p行第q列的元素；
Figure 817406DEST_PATH_IMAGE020
表示优化后检测数据矩阵和优化正常数据矩阵中总行数；
Figure 616734DEST_PATH_IMAGE003
表示优化后检测数据矩阵和优化正常数据矩阵中总列数；
Figure 936857DEST_PATH_IMAGE069
表示优化后检测数据矩阵和优化正常数据矩阵中包含的总元素数；
Figure 694598DEST_PATH_IMAGE023
表示综合状况判定模型，当
Figure 983495DEST_PATH_IMAGE024
，
Figure 852094DEST_PATH_IMAGE025
为预设指标阈值，本发明中预设指标阈值
Figure 557882DEST_PATH_IMAGE025
=0.5，当
Figure 955365DEST_PATH_IMAGE024
时判定ECU工作状态处于异常。
S7、当ECU工作状态存在异常时构建每项检测参数的正常运行模型。
S8、将每项检测参数在每一时刻前一段时间内检测数据，输入到正常运行模型中得到每项检测参数在每一时刻的正常运行模型值。
其中，当ECU工作状态存在异常时构建每项检测参数的正常运行模型，包括：根据每项检测参数的每一检测数据均可用该检测数据前一段时间内多个检测数据以及对应的环境噪声值进行表征的原理，构建每项检测参数的正常运行模型；并对每项检测参数基于其在ECU正常工作时段内大量历史数据进行拟合获取每项检测参数的正常运行模型系数序列。
当综合状况判定模型初步判定ECU工作状态处于异常时，为实现对ECU状态的精确检测，对故障问题的准确识别，本发明建立每项检测参数的正常运行模型，基于每项检测参数的正常运行模型，对各项检测参数的状况进行检测分析，识别出故障参数，并作出相应的提示预警，防止重大故障的发生，提高故障诊断精度。
每项检测参数的正常运行模型的计算公式如下式（10）所示：
Figure 248068DEST_PATH_IMAGE071
（10）
其中，
Figure 389199DEST_PATH_IMAGE002
表示在检测数据矩阵中检测参数i的第j个数据；
Figure 949494DEST_PATH_IMAGE027
表示检测参数i的第
Figure 517878DEST_PATH_IMAGE028
个数据；
Figure 294948DEST_PATH_IMAGE029
表示检测参数i的第
Figure 239770DEST_PATH_IMAGE030
个数据；
Figure 654571DEST_PATH_IMAGE031
表示检测参数i的第j个数据对应的白噪声；
Figure 659436DEST_PATH_IMAGE032
为服从
Figure 661153DEST_PATH_IMAGE072
的现有白噪声序列；
Figure 878507DEST_PATH_IMAGE035
与
Figure 413394DEST_PATH_IMAGE036
分别为第i项检测参数的正常运行模型系数序列；
Figure 589160DEST_PATH_IMAGE037
表示检测参数i的第j个数据的正常运行模型值，𝑖=1,2,…,𝑐。至此，根据本发明所述方法构建出每项检测参数的正常运行模型。
本发明中将每项检测参数在每一时刻前一段时间内检测数据，输入到正常运行模型中得到每项检测参数在每一时刻的正常运行模型值。由于本发明对ECU工作状态是实时监测的，如果判断检测参数i的第j个数据异常时则判定该项检测参数存在故障状况并发出预警提示，并不需要对第j个数据之后的数据进行计算。同时若检测参数i的第j个数据没有出现故障，那么检测参数i的第j个数据之前的数据均是正常数据。
S9、利用每项检测参数在每一时刻的正常运行模型值和该项检测参数在该时刻的检测数据判断该项检测参数是否存在故障状况并发出预警提示。
其中，利用每项检测参数在每一时刻的正常运行模型值和该项检测参数在该时刻的检测数据判断该项检测参数是否存在故障状况并发出预警提示，包括：计算每项检测参数在每一时刻的正常运行模型值和该项检测参数在该时刻的检测数据的差值绝对值；当差值绝对值大于等于该项检测参数对应的预设细诊断阈值时，判断该项检测参数是否存在故障状况并发出预警提示。
分析每项检测参数是否存在故障状况基于细诊断阈值进行诊断，考虑到细诊断阈值过大过小将会导致系统诊断灵敏度降低、误诊断等问题，为避免细诊断阈值设置的主观性以及存在偶然因素导致某个检测参数出现波动过大的问题，防止检测参数故障分析的错检误检状况。预设细诊断阈值按照以下步骤得到，包括：获取ECU正常工作时段内每项检测参数的多个正常数据组成该项检测参数的正常数据序列；计算每项检测参数的正常数据序列的均值和标准差，并统计该项检测参数的正常数据序列中超过均值的数据以及超过均值的数据出现的次数；根据每项检测参数的正常数据序列内包含的数据总数、每项检测参数的正常数据序列的均值和标准差，以及每项检测参数的正常数据序列中超过均值的数据以及超过均值的数据出现的次数确定每项检测参数对应的预设细诊断阈值。
预设细诊断阈值的计算公式如下式（11）所示：
Figure 815523DEST_PATH_IMAGE073
（11）
其中，
Figure 102148DEST_PATH_IMAGE039
表示偏差因子；
Figure 491541DEST_PATH_IMAGE040
表示该项检测参数的正常数据序列的均值；
Figure 838209DEST_PATH_IMAGE041
表示该项检测参数的正常数据序列的标准差；
Figure 814517DEST_PATH_IMAGE042
表示该项检测参数对应的预设细诊断阈值；
所述偏差因子的计算公式如下式（12）所示：
Figure 639254DEST_PATH_IMAGE074
（12）
其中，
Figure 883153DEST_PATH_IMAGE044
该项检测参数的正常数据序列中超过均值的第
Figure 666302DEST_PATH_IMAGE045
个数据；
Figure 861397DEST_PATH_IMAGE046
表示该项检测参数的正常数据序列中超过均值的数据出现的次数；
Figure 489825DEST_PATH_IMAGE040
表示该项检测参数的正常数据序列的均值；
Figure 853810DEST_PATH_IMAGE041
表示该项检测参数的正常数据序列的标准差。
计算每项检测参数的每一检测数据的正常运行模型值与该检测数据的差值绝对值如下式（13）所示：
Figure 542280DEST_PATH_IMAGE075
（13）
其中，当
Figure 227602DEST_PATH_IMAGE075
时，则判定i项检测参数存在故障状况并发出预警提示，防止重大故障的发生，提高故障诊断精度。
综上所述，本发明提供一种自适应ECU故障诊断控制方法，通过建立综合状况判定模型先对ECU工作状态是否处于异常进行准确判定，避免无关因素的影响，这样可以有效降低系统的检测数据量。当综合状况判定模型初步判定ECU工作状态处于异常时，为实现对ECU状态的精确检测，对故障问题的准确识别，本发明建立每项检测参数的正常运行模型，基于每项检测参数的正常运行模型，对各项检测参数的状况进行检测分析，识别出故障参数，并作出相应的提示预警，防止重大故障的发生，提高故障诊断精度。
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 (9)

1.一种自适应ECU故障诊断控制方法，其特征在于，该方法包括：
基于ECU工作过程大数据获取引发ECU发生故障的各项检测参数；
获取在ECU当前检测时段内每项检测参数在不同时刻的多个检测数据，基于获取的各项检测参数的多个检测数据构建检测数据矩阵；
获取由每项检测参数的多个检测数据均值组成的均值序列，并计算该均值序列的均值；
利用各项检测参数的多个检测数据和均值序列构建自分析矩阵，利用均值序列和均值序列的均值构建互分析矩阵；
基于自分析矩阵和互分析矩阵获取最佳投影向量，基于最佳投影向量对检测数据矩阵进行优化得到优化后检测数据矩阵；
根据优化后检测数据矩阵判断判定ECU工作状态是否存在异常；
当ECU工作状态存在异常时构建每项检测参数的正常运行模型；
将每项检测参数在每一时刻前一段时间内检测数据，输入到正常运行模型中得到每项检测参数在每一时刻的正常运行模型值；
利用每项检测参数在每一时刻的正常运行模型值和该项检测参数在该时刻的检测数据判断该项检测参数是否存在故障状况并发出预警提示。
2.根据权利要求1所述的一种自适应ECU故障诊断控制方法，其特征在于，所述获取由每项检测参数的多个检测数据均值组成的均值序列，并计算该均值序列的均值，包括：
所述每项检测参数的多个检测数据均值的计算公式如下式所示：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
表示在检测数据矩阵中检测参数i的第j个数据；
Figure DEST_PATH_IMAGE006
表示在检测数据矩阵中检测参数i的数据总数量；
Figure DEST_PATH_IMAGE008
表示在检测数据矩阵中检测参数i的
Figure 199378DEST_PATH_IMAGE006
个检测数据均值；
所述均值序列的均值的计算公式如下式所示：
Figure DEST_PATH_IMAGE010
其中，
Figure 575127DEST_PATH_IMAGE008
表示在检测数据矩阵中检测参数i的
Figure 700077DEST_PATH_IMAGE006
个检测数据均值
Figure DEST_PATH_IMAGE012
；
Figure DEST_PATH_IMAGE014
表示在检测数据矩阵中检测参数的总个数；
Figure DEST_PATH_IMAGE016
表示均值序列的均值。
3.根据权利要求2所述的一种自适应ECU故障诊断控制方法，其特征在于，所述自分析矩阵的计算公式如下式所示：
Figure DEST_PATH_IMAGE018
其中，
Figure 682815DEST_PATH_IMAGE004
表示在检测数据矩阵中检测参数i的第j个数据；
Figure 191726DEST_PATH_IMAGE006
表示在检测数据矩阵中检测参数i的数据总数量；
Figure 530303DEST_PATH_IMAGE008
表示在检测数据矩阵中检测参数i的
Figure 124358DEST_PATH_IMAGE006
个检测数据均值
Figure 610703DEST_PATH_IMAGE012
；
Figure 617580DEST_PATH_IMAGE014
表示在检测数据矩阵中检测参数的总个数；
Figure DEST_PATH_IMAGE020
表示自分析矩阵；
所述互分析矩阵的计算公式如下式所示：
Figure DEST_PATH_IMAGE022
其中，
Figure 499079DEST_PATH_IMAGE008
表示在检测数据矩阵中检测参数i的
Figure 700253DEST_PATH_IMAGE006
个检测数据均值
Figure 549261DEST_PATH_IMAGE012
；
Figure 861293DEST_PATH_IMAGE014
表示在检测数据矩阵中检测参数的总个数；
Figure 210016DEST_PATH_IMAGE016
表示均值序列的均值；ρ为模型参数，本发明将其设置为ρ=2。
4.根据权利要求3所述的一种自适应ECU故障诊断控制方法，其特征在于，所述基于最佳投影向量对检测数据矩阵进行优化得到优化后检测数据矩阵，包括：
获取最佳投影向量的转置向量；
根据最佳投影向量的转置向量和检测数据矩阵获取优化后检测数据矩阵；
所述优化后检测数据矩阵的计算公式如下式所示：
Figure DEST_PATH_IMAGE024
其中，
Figure DEST_PATH_IMAGE026
表示最佳投影向量；
Figure DEST_PATH_IMAGE028
表示最佳投影向量的转置向量；
Figure DEST_PATH_IMAGE030
表示检测数据矩阵；
Figure DEST_PATH_IMAGE032
表示优化后检测数据矩阵。
5.根据权利要求4所述的一种自适应ECU故障诊断控制方法，其特征在于，所述根据优化后检测数据矩阵判断判定ECU工作状态是否存在异常，包括：
基于ECU正常工作时段内每项检测参数的多个正常数据构建正常数据矩阵，按照优化后检测数据矩阵获取方法得到优化正常数据矩阵；
基于优化后检测数据矩阵和优化正常数据矩阵建立综合状况判定模型，当综合状况判定模型的综合状况判定指标低于预设指标阈值时判定ECU工作状态处于异常；
综合状况判定模型的计算公式如下式所示：
Figure DEST_PATH_IMAGE034
其中，
Figure DEST_PATH_IMAGE036
表示优化后检测数据矩阵中第p行第q列的元素；
Figure DEST_PATH_IMAGE038
表示优化正常数据矩阵中第p行第q列的元素；
Figure DEST_PATH_IMAGE040
表示优化后检测数据矩阵和优化正常数据矩阵中总行数；
Figure 300201DEST_PATH_IMAGE006
表示优化后检测数据矩阵和优化正常数据矩阵中总列数；
Figure DEST_PATH_IMAGE042
表示优化后检测数据矩阵和优化正常数据矩阵中包含的总元素数；
Figure DEST_PATH_IMAGE044
表示综合状况判定模型，当
Figure DEST_PATH_IMAGE046
，
Figure DEST_PATH_IMAGE048
为预设指标阈值，本发明中预设指标阈值
Figure 870726DEST_PATH_IMAGE048
=0.5，当
Figure 986450DEST_PATH_IMAGE046
时判定ECU工作状态处于异常。
6.根据权利要求1所述的一种自适应ECU故障诊断控制方法，其特征在于，所述当ECU工作状态存在异常时构建每项检测参数的正常运行模型，包括：
每项检测参数的正常运行模型的计算公式如下式所示：
Figure DEST_PATH_IMAGE050
其中，
Figure 45804DEST_PATH_IMAGE004
表示在检测数据矩阵中检测参数i的第j个数据；
Figure DEST_PATH_IMAGE052
表示检测参数i的第
Figure DEST_PATH_IMAGE054
个数据；
Figure DEST_PATH_IMAGE056
表示检测参数i的第
Figure DEST_PATH_IMAGE058
个数据；
Figure DEST_PATH_IMAGE060
表示检测参数i的第j个数据对应的白噪声；
Figure DEST_PATH_IMAGE062
为服从
Figure DEST_PATH_IMAGE064
的现有白噪声序列；
Figure DEST_PATH_IMAGE066
与
Figure DEST_PATH_IMAGE068
分别为第i项检测参数的正常运行模型系数序列；
Figure DEST_PATH_IMAGE070
表示检测参数i的第j个数据的正常运行模型值。
7.根据权利要求6所述的一种自适应ECU故障诊断控制方法，其特征在于，所述利用每项检测参数在每一时刻的正常运行模型值和该项检测参数在该时刻的检测数据判断该项检测参数是否存在故障状况并发出预警提示，包括：
计算每项检测参数在每一时刻的正常运行模型值和该项检测参数在该时刻的检测数据的差值绝对值；
当差值绝对值大于等于该项检测参数对应的预设细诊断阈值时，判断该项检测参数是否存在故障状况并发出预警提示。
8.根据权利要求7所述的一种自适应ECU故障诊断控制方法，其特征在于，所述
预设细诊断阈值按照以下步骤得到，包括：
获取ECU正常工作时段内每项检测参数的多个正常数据组成该项检测参数的正常数据序列；
计算每项检测参数的正常数据序列的均值和标准差，并统计该项检测参数的正常数据序列中超过均值的数据以及超过均值的数据出现的次数；
根据每项检测参数的正常数据序列内包含的数据总数、每项检测参数的正常数据序列的均值和标准差，以及每项检测参数的正常数据序列中超过均值的数据以及超过均值的数据出现的次数确定每项检测参数对应的预设细诊断阈值。
9.根据权利要求8所述的一种自适应ECU故障诊断控制方法，其特征在于，所述预设细诊断阈值的计算公式如下式所示：
Figure DEST_PATH_IMAGE072
其中，
Figure DEST_PATH_IMAGE074
表示偏差因子；
Figure DEST_PATH_IMAGE076
表示该项检测参数的正常数据序列的均值；
Figure DEST_PATH_IMAGE078
表示该项检测参数的正常数据序列的标准差；
Figure DEST_PATH_IMAGE080
表示该项检测参数对应的预设细诊断阈值；
所述偏差因子的计算公式如下式所示：
Figure DEST_PATH_IMAGE082
其中，
Figure DEST_PATH_IMAGE084
该项检测参数的正常数据序列中超过均值的第
Figure DEST_PATH_IMAGE086
个数据；
Figure DEST_PATH_IMAGE088
表示该项检测参数的正常数据序列中超过均值的数据出现的次数；
Figure 434453DEST_PATH_IMAGE076
表示该项检测参数的正常数据序列的均值；
Figure 789211DEST_PATH_IMAGE078
表示该项检测参数的正常数据序列的标准差。
CN202211195035.6A 2022-09-29 2022-09-29 一种自适应ecu故障诊断控制方法 Active CN115268417B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211195035.6A CN115268417B (zh) 2022-09-29 2022-09-29 一种自适应ecu故障诊断控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211195035.6A CN115268417B (zh) 2022-09-29 2022-09-29 一种自适应ecu故障诊断控制方法

Publications (2)

Publication Number Publication Date
CN115268417A true CN115268417A (zh) 2022-11-01
CN115268417B CN115268417B (zh) 2022-12-16

Family

ID=83757477

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211195035.6A Active CN115268417B (zh) 2022-09-29 2022-09-29 一种自适应ecu故障诊断控制方法

Country Status (1)

Country Link
CN (1) CN115268417B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116048049A (zh) * 2023-01-18 2023-05-02 重庆长安汽车股份有限公司 一种汽车ecu软件系统诊断优化方法、装置、设备及介质
CN116484263A (zh) * 2023-05-10 2023-07-25 江苏圣骏智能科技有限公司 一种智能化自助机故障检测系统及方法
CN116502172A (zh) * 2023-06-29 2023-07-28 青岛义龙包装机械有限公司 一种袋式包装机故障智能诊断方法及系统
CN116720150A (zh) * 2023-08-09 2023-09-08 山东晋工科技有限公司 一种机械制冷系统故障诊断方法及系统
CN118034260A (zh) * 2024-04-10 2024-05-14 深圳硅山技术有限公司 电控单元的参数调整方法、装置、设备及存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050180639A1 (en) * 2004-02-17 2005-08-18 Trifonov Mikhail I. Iterative fisher linear discriminant analysis
US7010167B1 (en) * 2002-04-30 2006-03-07 The United States Of America As Represented By The National Security Agency Method of geometric linear discriminant analysis pattern recognition
CN101403893A (zh) * 2008-11-17 2009-04-08 杭州电子科技大学 染色配方的自动生成方法
CN101650944A (zh) * 2009-09-17 2010-02-17 浙江工业大学 基于保类内核Fisher判别法的说话人辨别实现方法
CN101738998A (zh) * 2009-12-10 2010-06-16 浙江大学 一种基于局部判别分析的工业过程监测系统及方法
CN103471865A (zh) * 2013-09-12 2013-12-25 北京交通大学 基于线性判别法的列车悬挂系统故障分离方法
CN103616889A (zh) * 2013-11-29 2014-03-05 渤海大学 一种重构样本中心的化工过程故障分类方法
CN104596780A (zh) * 2015-02-12 2015-05-06 清华大学 一种动车组制动系统传感器故障的诊断方法
CN105403816A (zh) * 2015-10-30 2016-03-16 国家电网公司 一种光伏系统直流故障电弧的识别方法
CN105718958A (zh) * 2016-01-27 2016-06-29 江苏省电力公司检修分公司 基于线性判别分析和支持向量机的断路器故障诊断方法
CN106326915A (zh) * 2016-08-10 2017-01-11 北京理工大学 一种基于改进核Fisher的化工过程故障诊断方法
CN110221590A (zh) * 2019-05-17 2019-09-10 华中科技大学 一种基于判别分析的工业过程多故障诊断方法
CN114993671A (zh) * 2022-06-27 2022-09-02 厦门纵行信息科技有限公司 一种基于q因子小波变换的振动故障诊断方法及其系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7010167B1 (en) * 2002-04-30 2006-03-07 The United States Of America As Represented By The National Security Agency Method of geometric linear discriminant analysis pattern recognition
US20050180639A1 (en) * 2004-02-17 2005-08-18 Trifonov Mikhail I. Iterative fisher linear discriminant analysis
CN101403893A (zh) * 2008-11-17 2009-04-08 杭州电子科技大学 染色配方的自动生成方法
CN101650944A (zh) * 2009-09-17 2010-02-17 浙江工业大学 基于保类内核Fisher判别法的说话人辨别实现方法
CN101738998A (zh) * 2009-12-10 2010-06-16 浙江大学 一种基于局部判别分析的工业过程监测系统及方法
CN103471865A (zh) * 2013-09-12 2013-12-25 北京交通大学 基于线性判别法的列车悬挂系统故障分离方法
CN103616889A (zh) * 2013-11-29 2014-03-05 渤海大学 一种重构样本中心的化工过程故障分类方法
CN104596780A (zh) * 2015-02-12 2015-05-06 清华大学 一种动车组制动系统传感器故障的诊断方法
CN105403816A (zh) * 2015-10-30 2016-03-16 国家电网公司 一种光伏系统直流故障电弧的识别方法
CN105718958A (zh) * 2016-01-27 2016-06-29 江苏省电力公司检修分公司 基于线性判别分析和支持向量机的断路器故障诊断方法
CN106326915A (zh) * 2016-08-10 2017-01-11 北京理工大学 一种基于改进核Fisher的化工过程故障诊断方法
CN110221590A (zh) * 2019-05-17 2019-09-10 华中科技大学 一种基于判别分析的工业过程多故障诊断方法
CN114993671A (zh) * 2022-06-27 2022-09-02 厦门纵行信息科技有限公司 一种基于q因子小波变换的振动故障诊断方法及其系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
曾贤灏等: "基于Fisher的线性判别回归分类算法", 《安阳工学院学报》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116048049A (zh) * 2023-01-18 2023-05-02 重庆长安汽车股份有限公司 一种汽车ecu软件系统诊断优化方法、装置、设备及介质
CN116048049B (zh) * 2023-01-18 2024-05-14 重庆长安汽车股份有限公司 一种汽车ecu软件系统诊断优化方法、装置、设备及介质
CN116484263A (zh) * 2023-05-10 2023-07-25 江苏圣骏智能科技有限公司 一种智能化自助机故障检测系统及方法
CN116484263B (zh) * 2023-05-10 2024-01-05 江苏圣骏智能科技有限公司 一种智能化自助机故障检测系统及方法
CN116502172A (zh) * 2023-06-29 2023-07-28 青岛义龙包装机械有限公司 一种袋式包装机故障智能诊断方法及系统
CN116502172B (zh) * 2023-06-29 2023-09-01 青岛义龙包装机械有限公司 一种袋式包装机故障智能诊断方法及系统
CN116720150A (zh) * 2023-08-09 2023-09-08 山东晋工科技有限公司 一种机械制冷系统故障诊断方法及系统
CN116720150B (zh) * 2023-08-09 2023-10-20 山东晋工科技有限公司 一种机械制冷系统故障诊断方法及系统
CN118034260A (zh) * 2024-04-10 2024-05-14 深圳硅山技术有限公司 电控单元的参数调整方法、装置、设备及存储介质
CN118034260B (zh) * 2024-04-10 2024-06-18 深圳硅山技术有限公司 电控单元的参数调整方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN115268417B (zh) 2022-12-16

Similar Documents

Publication Publication Date Title
CN115268417B (zh) 一种自适应ecu故障诊断控制方法
US8554403B2 (en) Vehicle failure diagnostic device
CN107907778B (zh) 一种基于多特征参量的变压器综合故障诊断方法
CN109186813A (zh) 一种温度传感器自检装置及方法
CN114559819B (zh) 一种基于信号处理的电动汽车电池安全预警方法
US20190311552A1 (en) Fault diagnosis using distributed pca architecture
CN112685910B (zh) 一种基于混合预测模型的复杂装备电源组故障预测方法
CN111506048B (zh) 车辆故障预警方法及相关设备
CN112267949B (zh) 一种柴油机大气压力传感器容错控制方法及控制系统
CN110553789A (zh) 一种压阻式压力传感器的状态检测方法、装置及制动系统
CN114372489A (zh) 一种柴油机工况识别与异常诊断方法
CN113406524A (zh) 一种动力电池系统的不一致性故障诊断方法及系统
CN113131019A (zh) 基于云计算和物联网的新能源电动汽车电池模组运行安全实时监测预警系统
CN114239734A (zh) 一种分布式车载健康管理系统
CN114648102A (zh) 火灾报警方法、系统、可读存储介质及计算机设备
CN112380707A (zh) 一种egr冷却器的冷却性能评估方法及装置、电子设备
CN111505064A (zh) 一种催化燃烧式甲烷传感器服役状态评价方法
CN110266527B (zh) 基于空间相关性的传感器节点故障分类报警方法及装置
CN113112123B (zh) 一种基于关联矩阵的飞机航电系统故障诊断评估方法
JPH08319879A (ja) 内燃機関の動作状態判定方法および装置
CN117877256A (zh) 基于数字孪生的车辆故障预测方法及系统
CN111121943B (zh) 零点故障检测方法、装置、计算机设备和可读存储介质
US11561212B1 (en) Method for determining NOx sensor data falsification based on remote emission monitoring
CN115358294A (zh) 一种高速列车牵引系统的微小故障检测方法
CN111709453B (zh) 一种航空发动机电气系统在线故障诊断方法

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
GR01 Patent grant
GR01 Patent grant