CN117055537B - 一种基于物联网的摩托车电控系统故障诊断方法 - Google Patents
一种基于物联网的摩托车电控系统故障诊断方法 Download PDFInfo
- Publication number
- CN117055537B CN117055537B CN202311320652.9A CN202311320652A CN117055537B CN 117055537 B CN117055537 B CN 117055537B CN 202311320652 A CN202311320652 A CN 202311320652A CN 117055537 B CN117055537 B CN 117055537B
- Authority
- CN
- China
- Prior art keywords
- fault
- diagnosis
- control system
- electric control
- management
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012360 testing method Methods 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000007726 management method Methods 0.000 claims description 104
- 238000012216 screening Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000013024 troubleshooting Methods 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000011835 investigation Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明属于电控故障诊断领域，涉及数据分析技术，用于解决现有技术中的摩托车电控系统故障诊断方法效率低下，故障诊断的准确性不高的问题，具体是一种基于物联网的摩托车电控系统故障诊断方法，包括以下步骤：在摩托车电控系统故障时进行参数提取分析：生成测试周期与运行参数i，在摩托车电控系统在测试周期内出现故障时获取摩托车电控系统的参数数值并标记为故障值，通过故障值获取故障范围i，由所有故障范围i构成故障集合；本发明通过在摩托车电控系统故障时进行参数提取分析来对诊断对象的故障集合进行分析，通过故障集合对故障类型与故障参数的关联性进行反馈，从而在进行故障诊断时根据故障集合进行故障类型的直接筛选。
Description
技术领域
本发明属于电控故障诊断领域，涉及数据分析技术，具体是一种基于物联网的摩托车电控系统故障诊断方法。
背景技术
摩托车电控是电子控单元，又称为ECU，ECU将输入信号转化为数字形式，根据存储的参考数据进行对比加工，计算出输出值，输出信号再经功率放大去控制若干个调节伺服元件的装置。
现有技术中的摩托车电控系统故障诊断方法仅能够在故障时对参数进行逐一排查来锁定故障类型与故障位置，但是这种方式无法对电控系统的参数与故障类型进行关联分析，导致故障诊断的效率低下，准确性不高。
针对上述技术问题，本申请提出一种解决方案。
发明内容
本发明的目的在于提供一种基于物联网的摩托车电控系统故障诊断方法，用于解决现有技术中的摩托车电控系统故障诊断方法效率低下，故障诊断的准确性不高的问题；
本发明需要解决的技术问题为：如何提供一种可以对电控系统的参数与故障类型进行关联分析的基于物联网的摩托车电控系统故障诊断方法。
本发明的目的可以通过以下技术方案实现：
一种基于物联网的摩托车电控系统故障诊断方法，包括以下步骤：
步骤S1：在摩托车电控系统故障时进行参数提取分析：生成测试周期与运行参数i，i=1，2，…，n，n为正整数，在摩托车电控系统在测试周期内出现故障时获取摩托车电控系统的参数数值并标记为故障值GZi，通过故障值GZi获取故障范围i，由所有故障范围i构成故障集合；
步骤S2：在摩托车电控系统故障时进行故障诊断分析：在摩托车电控系统在测试周期内出现故障时获取摩托车电控系统的参数数值并标记为诊断值ZDi，将诊断值ZDi逐一与故障集合中的故障范围i进行比对并通过比对结果对故障类型进行标记；
步骤S3：对摩托车电控系统的故障诊断效率进行监控分析：生成管理周期，获取管理周期的效率均值，将效率均值与预设的效率阈值进行比较并通过比较结果对管理周期的故障诊断效率是否满足要求进行判定；
步骤S4：对摩托车电控系统的故障进行周期性管理分析：获取管理周期的管理系数；将管理周期的管理系数GL与预设的管理阈值GLmax进行比较并通过比较结果对管理周期内的故障诊断效率是否满足要求进行判定；
步骤S5：对摩托车电控系统的故障诊断分析过程进行优化。
作为本发明的一种优选实施方式，在步骤S1中，故障范围i的获取过程包括：通过车辆问诊、故障测试、故障排查以及故障验证的工序来对摩托车电控系统的故障类型进行确定，将测试周期内出现的摩托车电控系统的故障类型标记为诊断对象U，U=1，2，…，m，m为正整数；获取摩托车电控系统的故障类型被判定为诊断对象U时故障值GZi的最大值与最小值，由故障值GZi的最大值与最小值构成诊断对象U的故障范围i。
作为本发明的一种优选实施方式，在步骤S2中，将诊断值ZDi逐一与故障集合中的故障范围i进行比对的具体过程包括：若诊断值ZDi全部位于故障范围i之内，则判定故障诊断成功，将对应的诊断对象U标记为摩托车电控系统的待选类型；否则，判定故障诊断失败，选取下一个诊断对象U的故障集合进行比对，直至完成所有诊断对象U的比对。
作为本发明的一种优选实施方式，在所有诊断对象U均完成比对后：若待选类型的数量为一，则判定故障诊断完成，将待选类型标记为故障类型并将故障类型发送至管理人员的手机终端；若待选类型的数量为零，则判定故障诊断未完成，生成工序排查信号并将工序排查信号发送至管理人员的手机终端；若待选类型的数量大于一，则进行深度诊断分析：随机选取两个待选类型并标记为比对类型，将比对类型中的故障范围i进行比对：若比对类型的故障范围i存在交叉，则对下一个故障范围i进行比对；若比对类型的故障范围i不存在交叉，则将故障范围i的最大边界值与最小边界值的差值标记为故障范围的范围值，将范围值最大的故障范围i对应的比对类型进行从待选类型中删除，然后再次选取两个待选类型并标记为比对类型，以此类推，直至剩下最后一个待选类型，将剩余的待选类型标记为故障类型并将故障类型发送至管理人员的手机终端。
作为本发明的一种优选实施方式，在步骤S3中，管理周期的效率均值的获取过程包括：在管理周期内摩托车电控系统故障时获取诊断完成的诊断过程的待选数据DX与完成数据WC，待选数据DX为摩托车电控系统故障时刻至待选类型筛选完成时刻的时间差值，完成数据WC为待选类型筛选完成时刻至故障诊断完成时刻的时间差值；通过对待选数据DX与完成数据WC进行数值计算得到诊断过程的效率系数XL；对所有诊断过程的效率系数XL进行求和取平均值得到管理周期的效率均值。
作为本发明的一种优选实施方式，将效率均值与预设的效率阈值进行比较的具体过程包括：若效率均值小于效率阈值，则判定管理周期内摩托车电控系统的故障诊断效率满足要求，执行步骤S4；若效率均值大于等于效率阈值，则判定管理周期内摩托车电控系统的故障诊断效率不满足要求，执行步骤S5。
作为本发明的一种优选实施方式，在步骤S4中，管理周期的管理系数GL的获取过程包括：获取管理周期内的诊断数据ZD以及失败数据SB，诊断数据ZD为管理周期内进行摩托车电控系统故障诊断的次数，失败系数SB为管理周期内进行摩托车电控系统故障诊断时诊断未完成的次数；通过对诊断数据ZD以及失败数据SB进行数值计算得到管理周期的管理系数GL。
作为本发明的一种优选实施方式，将管理周期的管理系数GL与预设的管理阈值GLmax进行比较的具体过程包括：若管理系数GL小于管理阈值GLmax，则判定管理周期内摩托车电控系统的故障诊断状态满足要求；若管理系数GL大于等于管理阈值GLmax，则判定管理周期内摩托车电控系统的故障诊断状态不满足要求，执行步骤S5。
作为本发明的一种优选实施方式，在步骤S5中，对摩托车电控系统的故障诊断分析过程进行优化的具体过程包括：生成二测周期，在摩托车电控系统在二测周期内出现故障时进行参数提取分析并得到二故值EGi，将二测周期的二故值EGi与测试周期的故障值GZi进行组合并得到诊断对象U的二故集合，将二故集合对步骤S2中的诊断对象的故障集合进行替换。
本发明具备下述有益效果：
1、通过在摩托车电控系统故障时进行参数提取分析来对诊断对象的故障集合进行分析，通过故障集合对故障类型与故障参数的关联性进行反馈，从而在进行故障诊断时根据故障集合进行故障类型的直接筛选，提高故障诊断排查的效率；
2、在摩托车电控系统故障时进行故障诊断分析，通过将诊断值与所有诊断对象的故障范围进行比对来进行待选类型的筛选，然后对待选类型中的故障范围i进行比对，通过逐一比对分析的过程对不符合条件的待选类型进行剔除，最终得到匹配的故障类型，避免了摩托车电控系统故障诊断排查的繁琐工序，提高了故障诊断的效率；
3、对摩托车电控系统的故障诊断效率进行监控分析，通过对管理周期内的故障诊断效率参数进行综合分析与计算得到效率均值，通过效率均值对管理周期内整体的故障诊断效率进行反馈，从而在整体的故障诊断效率不满足要求时进行预警与优化；
4、对摩托车电控系统的故障诊断状态进行周期性管理分析，通过对管理中求内的多个故障诊断参数进行综合分析与计算得到管理系数，通过管理系数对管理周期内的整体故障诊断状态进行监控，从而在整体故障诊断状态异常时进行反馈。
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为本发明的方法流程图。
具体实施方式
下面将结合实施例对本发明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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示，一种基于物联网的摩托车电控系统故障诊断方法，包括以下步骤：
步骤S1：在摩托车电控系统故障时进行参数提取分析：生成测试周期与运行参数i，i=1，2，…，n，n为正整数，运行参数i包括排气管排量、电解液比重、电机转子转速等等；在摩托车电控系统在测试周期内出现故障时获取摩托车电控系统的参数数值并标记为故障值GZi，然后通过车辆问诊、故障测试、故障排查以及故障验证的工序来对摩托车电控系统的故障类型进行确定，将测试周期内出现的摩托车电控系统的故障类型标记为诊断对象U，U=1，2，…，m，m为正整数；获取摩托车电控系统的故障类型被判定为诊断对象U时故障值GZi的最大值与最小值，由故障值GZi的最大值与最小值构成故障范围i，由所有故障范围i构成诊断对象U的故障集合；在摩托车电控系统故障时进行参数提取分析来对诊断对象的故障集合进行分析，通过故障集合对故障类型与故障参数的关联性进行反馈，从而在进行故障诊断时根据故障集合进行故障类型的直接筛选，提高故障诊断排查的效率；
步骤S2：在摩托车电控系统故障时进行故障诊断分析：在摩托车电控系统在测试周期内出现故障时获取摩托车电控系统的参数数值并标记为诊断值ZDi，将诊断值ZDi逐一与故障集合中的故障范围i进行比对：若诊断值ZDi全部位于故障范围i之内，则判定故障诊断成功，将对应的诊断对象U标记为摩托车电控系统的待选类型；否则，判定故障诊断失败，选取下一个诊断对象U的故障集合进行比对，直至完成所有诊断对象U的比对；若待选类型的数量为一，则判定故障诊断完成，将待选类型标记为故障类型并将故障类型发送至管理人员的手机终端；若待选类型的数量为零，则判定故障诊断未完成，生成工序排查信号并将工序排查信号发送至管理人员的手机终端；若待选类型的数量大于一，则进行深度诊断分析：随机选取两个待选类型并标记为比对类型，将比对类型中的故障范围i进行比对：若比对类型的故障范围i存在交叉，则对下一个故障范围i进行比对；若比对类型的故障范围i不存在交叉，则将故障范围i的最大边界值与最小边界值的差值标记为故障范围的范围值，将范围值最大的故障范围i对应的比对类型进行从待选类型中删除，然后再次选取两个待选类型并标记为比对类型，以此类推，直至剩下最后一个待选类型，将剩余的待选类型标记为故障类型并将故障类型发送至管理人员的手机终端；通过将诊断值与所有诊断对象的故障范围进行比对来进行待选类型的筛选，然后对待选类型中的故障范围i进行比对，通过逐一比对分析的过程对不符合条件的待选类型进行剔除，最终得到匹配的故障类型，避免了摩托车电控系统故障诊断排查的繁琐工序，提高了故障诊断的效率；
步骤S3：对摩托车电控系统的故障诊断效率进行监控分析：生成管理周期，在管理周期内摩托车电控系统故障时获取诊断完成的诊断过程的待选数据DX与完成数据WC，待选数据DX为摩托车电控系统故障时刻至待选类型筛选完成时刻的时间差值，完成数据WC为待选类型筛选完成时刻至故障诊断完成时刻的时间差值；通过公式XL=α1*DX+α2*WC得到诊断过程的效率系数XL，其中α1与α2均为比例系数，且α1＞α2＞1；对所有诊断过程的效率系数XL进行求和取平均值得到管理周期的效率均值，将效率均值与预设的效率阈值进行比较：若效率均值小于效率阈值，则判定管理周期内摩托车电控系统的故障诊断效率满足要求，执行步骤S4；若效率均值大于等于效率阈值，则判定管理周期内摩托车电控系统的故障诊断效率不满足要求，执行步骤S5；通过对管理周期内的故障诊断效率参数进行综合分析与计算得到效率均值，通过效率均值对管理周期内整体的故障诊断效率进行反馈，从而在整体的故障诊断效率不满足要求时进行预警与优化；
步骤S4：对摩托车电控系统的故障进行周期性管理分析：获取管理周期内的诊断数据ZD以及失败数据SB，诊断数据ZD为管理周期内进行摩托车电控系统故障诊断的次数，失败系数SB为管理周期内进行摩托车电控系统故障诊断时诊断未完成的次数；通过公式GL=（β1*SB+β2*XL）/（β3*ZD）得到管理周期的管理系数GL，其中β1、β2以及β3均为比例系数，且β1＞β2＞β3＞1；将管理周期的管理系数GL与预设的管理阈值GLmax进行比较：若管理系数GL小于管理阈值GLmax，则判定管理周期内摩托车电控系统的故障诊断状态满足要求；若管理系数GL大于等于管理阈值GLmax，则判定管理周期内摩托车电控系统的故障诊断状态不满足要求，执行步骤S5；通过对管理中求内的多个故障诊断参数进行综合分析与计算得到管理系数，通过管理系数对管理周期内的整体故障诊断状态进行监控，从而在整体故障诊断状态异常时进行反馈；
步骤S5：对摩托车电控系统的故障诊断分析过程进行优化：生成二测周期，在摩托车电控系统在二测周期内出现故障时进行参数提取分析并得到二故值EGi，将二测周期的二故值EGi与测试周期的故障值GZi进行组合并得到诊断对象U的二故集合，将二故集合对步骤S2中的诊断对象的故障集合进行替换。
一种基于物联网的摩托车电控系统故障诊断方法，工作时，生成测试周期与运行参数i，i=1，2，…，n，n为正整数，在摩托车电控系统在测试周期内出现故障时获取摩托车电控系统的参数数值并标记为故障值GZi，通过故障值GZi获取故障范围i，由所有故障范围i构成故障集合；在摩托车电控系统在测试周期内出现故障时获取摩托车电控系统的参数数值并标记为诊断值ZDi，将诊断值ZDi逐一与故障集合中的故障范围i进行比对并通过比对结果对故障类型进行标记；生成管理周期，获取管理周期的效率均值，将效率均值与预设的效率阈值进行比较并通过比较结果对管理周期的故障诊断效率是否满足要求进行判定；获取管理周期的管理系数；将管理周期的管理系数GL与预设的管理阈值GLmax进行比较并通过比较结果对管理周期内的故障诊断效率是否满足要求进行判定。
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。
上述公式均是采集大量数据进行软件模拟得出且选取与真实值接近的一个公式，公式中的系数是由本领域技术人员根据实际情况进行设置；如：公式GL=（β1*SB+β2*XL）/（β3*ZD）；由本领域技术人员采集多组样本数据并对每一组样本数据设定对应的管理系数；将设定的管理系数和采集的样本数据代入公式，任意三个公式构成三元一次方程组，将计算得到的系数进行筛选并取均值，得到α1、α2以及α3的取值分别为3.85、2.63和2.17；
系数的大小是为了将各个参数进行量化得到的一个具体的数值，便于后续比较，关于系数的大小，取决于样本数据的多少及本领域技术人员对每一组样本数据初步设定对应的管理系数；只要不影响参数与量化后数值的比例关系即可，如管理系数与失败数据的数值成正比。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。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例或示例。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例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (3)
1.一种基于物联网的摩托车电控系统故障诊断方法，其特征在于，包括以下步骤：
步骤S1：在摩托车电控系统故障时进行参数提取分析：生成测试周期与运行参数i，i=1，2，…，n，n为正整数，在摩托车电控系统在测试周期内出现故障时获取摩托车电控系统的参数数值并标记为故障值GZi，通过故障值GZi获取故障范围i，由所有故障范围i构成故障集合；
步骤S2：在摩托车电控系统故障时进行故障诊断分析：在摩托车电控系统在测试周期内出现故障时获取摩托车电控系统的参数数值并标记为诊断值ZDi，将诊断值ZDi逐一与故障集合中的故障范围i进行比对并通过比对结果对故障类型进行标记；
步骤S3：对摩托车电控系统的故障诊断效率进行监控分析：生成管理周期，获取管理周期的效率均值，将效率均值与预设的效率阈值进行比较并通过比较结果对管理周期的故障诊断效率是否满足要求进行判定；
步骤S4：对摩托车电控系统的故障进行周期性管理分析：获取管理周期的管理系数；将管理周期的管理系数GL与预设的管理阈值GLmax进行比较并通过比较结果对管理周期内的故障诊断效率是否满足要求进行判定；
步骤S5：对摩托车电控系统的故障诊断分析过程进行优化；
在步骤S1中，故障范围i的获取过程包括：通过车辆问诊、故障测试、故障排查以及故障验证的工序来对摩托车电控系统的故障类型进行确定，将测试周期内出现的摩托车电控系统的故障类型标记为诊断对象U，U=1，2，…，m，m为正整数；获取摩托车电控系统的故障类型被判定为诊断对象U时故障值GZi的最大值与最小值，由故障值GZi的最大值与最小值构成诊断对象U的故障范围i；
在步骤S2中，将诊断值ZDi逐一与故障集合中的故障范围i进行比对的具体过程包括：若诊断值ZDi全部位于故障范围i之内，则判定故障诊断成功，将对应的诊断对象U标记为摩托车电控系统的待选类型；否则，判定故障诊断失败，选取下一个诊断对象U的故障集合进行比对，直至完成所有诊断对象U的比对；
在所有诊断对象U均完成比对后：若待选类型的数量为一，则判定故障诊断完成，将待选类型标记为故障类型并将故障类型发送至管理人员的手机终端；若待选类型的数量为零，则判定故障诊断未完成，生成工序排查信号并将工序排查信号发送至管理人员的手机终端；若待选类型的数量大于一，则进行深度诊断分析：随机选取两个待选类型并标记为比对类型，将比对类型中的故障范围i进行比对：若比对类型的故障范围i存在交叉，则对下一个故障范围i进行比对；若比对类型的故障范围i不存在交叉，则将故障范围i的最大边界值与最小边界值的差值标记为故障范围的范围值，将范围值最大的故障范围i对应的比对类型进行从待选类型中删除，然后再次选取两个待选类型并标记为比对类型，以此类推，直至剩下最后一个待选类型，将剩余的待选类型标记为故障类型并将故障类型发送至管理人员的手机终端；
在步骤S3中，管理周期的效率均值的获取过程包括：在管理周期内摩托车电控系统故障时获取诊断完成的诊断过程的待选数据DX与完成数据WC，待选数据DX为摩托车电控系统故障时刻至待选类型筛选完成时刻的时间差值，完成数据WC为待选类型筛选完成时刻至故障诊断完成时刻的时间差值；通过对待选数据DX与完成数据WC进行数值计算得到诊断过程的效率系数XL；对所有诊断过程的效率系数XL进行求和取平均值得到管理周期的效率均值；
在步骤S4中，管理周期的管理系数GL的获取过程包括：获取管理周期内的诊断数据ZD以及失败数据SB，诊断数据ZD为管理周期内进行摩托车电控系统故障诊断的次数，失败系数SB为管理周期内进行摩托车电控系统故障诊断时诊断未完成的次数；通过对诊断数据ZD以及失败数据SB进行数值计算得到管理周期的管理系数GL；
在步骤S5中，对摩托车电控系统的故障诊断分析过程进行优化的具体过程包括：生成二测周期，在摩托车电控系统在二测周期内出现故障时进行参数提取分析并得到二故值EGi，将二测周期的二故值EGi与测试周期的故障值GZi进行组合并得到诊断对象U的二故集合，将二故集合对步骤S2中的诊断对象的故障集合进行替换。
2.根据权利要求1所述的一种基于物联网的摩托车电控系统故障诊断方法，其特征在于，将效率均值与预设的效率阈值进行比较的具体过程包括：若效率均值小于效率阈值，则判定管理周期内摩托车电控系统的故障诊断效率满足要求，执行步骤S4；若效率均值大于等于效率阈值，则判定管理周期内摩托车电控系统的故障诊断效率不满足要求，执行步骤S5。
3.根据权利要求2所述的一种基于物联网的摩托车电控系统故障诊断方法，其特征在于，将管理周期的管理系数GL与预设的管理阈值GLmax进行比较的具体过程包括：若管理系数GL小于管理阈值GLmax，则判定管理周期内摩托车电控系统的故障诊断状态满足要求；若管理系数GL大于等于管理阈值GLmax，则判定管理周期内摩托车电控系统的故障诊断状态不满足要求，执行步骤S5。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311320652.9A CN117055537B (zh) | 2023-10-12 | 2023-10-12 | 一种基于物联网的摩托车电控系统故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311320652.9A CN117055537B (zh) | 2023-10-12 | 2023-10-12 | 一种基于物联网的摩托车电控系统故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117055537A CN117055537A (zh) | 2023-11-14 |
| CN117055537B true CN117055537B (zh) | 2024-01-02 |
Family
ID=88666722
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311320652.9A Active CN117055537B (zh) | 2023-10-12 | 2023-10-12 | 一种基于物联网的摩托车电控系统故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117055537B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103455026A (zh) * | 2013-08-23 | 2013-12-18 | 王绍兰 | 一种车辆故障诊断和预警方法及装置 |
| CN106151170A (zh) * | 2016-06-17 | 2016-11-23 | 中国神华能源股份有限公司 | 一种液压系统的故障诊断方法、装置及翻车机 |
| CN109635992A (zh) * | 2018-10-22 | 2019-04-16 | 成都万江港利科技股份有限公司 | 一种基于大数据的物联网设备运行分析诊断算法 |
| CN110057581A (zh) * | 2019-04-29 | 2019-07-26 | 杭州电子科技大学 | 基于区间型信度规则推理的旋转机械故障诊断方法 |
| KR102141391B1 (ko) * | 2019-12-16 | 2020-08-05 | 주식회사 한국가스기술공사 | 군집 평가에 기반한 고장 데이터의 관리 방법 |
| CN112650200A (zh) * | 2020-12-25 | 2021-04-13 | 中能融安(北京)科技有限公司 | 一种设备故障的诊断方法及诊断装置 |
| CN113759876A (zh) * | 2021-09-14 | 2021-12-07 | 西安交通大学 | 基于案例推理的风电机组故障诊断方法及系统 |
| CN114801751A (zh) * | 2022-06-21 | 2022-07-29 | 深圳市今朝时代股份有限公司 | 一种基于数据分析的汽车电池故障预测系统 |
| CN115422759A (zh) * | 2022-09-15 | 2022-12-02 | 西安热工研究院有限公司 | 一种设备故障诊断模型构建及设备故障诊断方法、装置 |
| CN115808913A (zh) * | 2022-11-22 | 2023-03-17 | 广州文远知行科技有限公司 | 故障诊断功能测试方法、装置、设备及存储介质 |
| CN115833063A (zh) * | 2022-12-29 | 2023-03-21 | 江苏金易电力工程设计有限公司 | 一种电网区域故障诊断及恢复供电方法 |
| CN116089885A (zh) * | 2023-02-21 | 2023-05-09 | 南京信息工程大学 | 一种基于随机深度森林的未知故障类型诊断方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7751955B2 (en) * | 2006-06-30 | 2010-07-06 | Spx Corporation | Diagnostics data collection and analysis method and apparatus to diagnose vehicle component failures |
-
2023
- 2023-10-12 CN CN202311320652.9A patent/CN117055537B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103455026A (zh) * | 2013-08-23 | 2013-12-18 | 王绍兰 | 一种车辆故障诊断和预警方法及装置 |
| CN106151170A (zh) * | 2016-06-17 | 2016-11-23 | 中国神华能源股份有限公司 | 一种液压系统的故障诊断方法、装置及翻车机 |
| CN109635992A (zh) * | 2018-10-22 | 2019-04-16 | 成都万江港利科技股份有限公司 | 一种基于大数据的物联网设备运行分析诊断算法 |
| CN110057581A (zh) * | 2019-04-29 | 2019-07-26 | 杭州电子科技大学 | 基于区间型信度规则推理的旋转机械故障诊断方法 |
| KR102141391B1 (ko) * | 2019-12-16 | 2020-08-05 | 주식회사 한국가스기술공사 | 군집 평가에 기반한 고장 데이터의 관리 방법 |
| CN112650200A (zh) * | 2020-12-25 | 2021-04-13 | 中能融安(北京)科技有限公司 | 一种设备故障的诊断方法及诊断装置 |
| CN113759876A (zh) * | 2021-09-14 | 2021-12-07 | 西安交通大学 | 基于案例推理的风电机组故障诊断方法及系统 |
| CN114801751A (zh) * | 2022-06-21 | 2022-07-29 | 深圳市今朝时代股份有限公司 | 一种基于数据分析的汽车电池故障预测系统 |
| CN115422759A (zh) * | 2022-09-15 | 2022-12-02 | 西安热工研究院有限公司 | 一种设备故障诊断模型构建及设备故障诊断方法、装置 |
| CN115808913A (zh) * | 2022-11-22 | 2023-03-17 | 广州文远知行科技有限公司 | 故障诊断功能测试方法、装置、设备及存储介质 |
| CN115833063A (zh) * | 2022-12-29 | 2023-03-21 | 江苏金易电力工程设计有限公司 | 一种电网区域故障诊断及恢复供电方法 |
| CN116089885A (zh) * | 2023-02-21 | 2023-05-09 | 南京信息工程大学 | 一种基于随机深度森林的未知故障类型诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117055537A (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2023071217A1 (zh) | 基于深度迁移学习的多工况流程工业故障检测诊断方法 | |
| CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| EP3454289A1 (en) | Plant abnormality detection method and system | |
| CN109765490B (zh) | 一种基于高维数据诊断的动力电池故障检测方法及系统 | |
| JP2008536219A (ja) | 診断及び予知方法並びにシステム | |
| CN115576293B (zh) | 基于数据监控的压敏胶在线生产分析方法及系统 | |
| CN110866682B (zh) | 基于历史数据的地下电缆预警方法和装置 | |
| CN115511398A (zh) | 一种基于时间敏感网络的焊接质量智能检测方法及系统 | |
| CN115937126A (zh) | 汽车底盘的疲劳测试方法、装置、电子设备及存储介质 | |
| CN111814557A (zh) | 动作流检测方法、装置、设备及存储介质 | |
| CN116954624B (zh) | 基于软件开发包的编译方法、软件开发系统及服务器 | |
| CN117055537B (zh) | 一种基于物联网的摩托车电控系统故障诊断方法 | |
| CN111314110B (zh) | 一种用于分布式系统的故障预警方法 | |
| CN115114124A (zh) | 主机风险的评估方法及评估装置 | |
| CN113029619A (zh) | 基于c4.5决策树算法的地下铲运机故障诊断方法 | |
| CN109990803A (zh) | 检测系统异常的方法、装置及传感器处理的方法、装置 | |
| CN115034094B (zh) | 一种金属加工机床运行状态预测方法及系统 | |
| CN110968518A (zh) | 自动化测试日志文件的分析方法及装置 | |
| CN113642209B (zh) | 基于数字孪生的结构植入故障响应数据获取及评判方法 | |
| CN114021744A (zh) | 设备的剩余使用寿命的确定方法、装置和电子设备 | |
| CN117908522B (zh) | 基于模拟分析的发控设备故障定位方法 | |
| CN117873007B (zh) | 基于工业物联网的制造流程管理方法、系统、设备及介质 | |
| CN117707050B (zh) | 基于云计算的数控机床实时监控与数据分析系统及方法 | |
| CN116756136B (zh) | 鱼塘监测设备数据自动化处理方法、装置、设备及介质 | |
| CN117556187B (zh) | 基于深度学习的云数据修复方法、系统及可读存储介质 |
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 |