CN117309410A - 一种基于汽车排放和obd数据综合认知计算诊断故障的方法、系统及设备 - Google Patents
一种基于汽车排放和obd数据综合认知计算诊断故障的方法、系统及设备 Download PDFInfo
- Publication number
- CN117309410A CN117309410A CN202311156951.3A CN202311156951A CN117309410A CN 117309410 A CN117309410 A CN 117309410A CN 202311156951 A CN202311156951 A CN 202311156951A CN 117309410 A CN117309410 A CN 117309410A
- Authority
- CN
- China
- Prior art keywords
- fault
- automobile
- data
- obd
- emission
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012544 monitoring process Methods 0.000 claims abstract description 39
- 238000003745 diagnosis Methods 0.000 claims abstract description 38
- 230000001149 cognitive effect Effects 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000012423 maintenance Methods 0.000 claims description 40
- 239000013598 vector Substances 0.000 claims description 28
- 208000024891 symptom Diseases 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 6
- 239000007789 gas Substances 0.000 description 6
- 239000000295 fuel oil Substances 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000002912 waste gas Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/04—Testing internal-combustion engines
- G01M15/10—Testing internal-combustion engines by monitoring exhaust gases or combustion flame
- G01M15/102—Testing internal-combustion engines by monitoring exhaust gases or combustion flame by monitoring exhaust gases
- G01M15/104—Testing internal-combustion engines by monitoring exhaust gases or combustion flame by monitoring exhaust gases using oxygen or lambda-sensors
-
- 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
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Health & Medical Sciences (AREA)
- Emergency Medicine (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Vehicle Cleaning, Maintenance, Repair, Refitting, And Outriggers (AREA)
Abstract
本公开涉及一种基于汽车排放和OBD数据综合认知计算诊断故障的方法、系统及设备，方法包括以下步骤：获取连续时间段内的汽车排放数据和OBD监测数据；捕捉所述汽车排放数据中的排放超标时间点t1，在所述OBD监测数据中捕捉与所述排放超标时间点t1相对应的对应时间点t2，根据所述对应时间点t2，在所述OBD监测数据中选取超标时间区间I；获取在所述超标时间区间I内参数超标的所有汽车部件列为可能故障部件集Z；根据所述汽车排放数据、所述OBD监测数据和所述可能故障部件集Z制定检修方案。系统用于实现上述方法。设备用于执行上述方法。本公开结合汽车排放数据和OBD监测数据进行汽车故障诊断，诊断准确度高，可显著提高汽车检修效率和检修精度。
Description
技术领域
本公开涉及汽车故障诊断技术领域，具体涉及一种基于汽车排放和OBD数据综合认知计算诊断故障的方法、系统及设备。
背景技术
随着我国汽车保有量的不断增加，汽车排放物在城市大气中占比20-30％，汽车排放污染治理已经成为国家生态文明建设的重中之重，汽车的故障诊断和检修是汽车污染治理领域的难题之一，汽车故障诊断是实现汽车快速精准检修的前提。废气排放量超标是汽车部件故障时的常见表现，废气排放量与汽车发动机的机械、电控、后处理等系统的运行状态紧密相关，与燃油的输送、加热、雾化、喷射、燃烧等多个过程也有密切关联，这使得废气排放量超标时所表征的故障信息的随机性很大，其故障呈现多部位、多现象、非线性等特点，故障诊断的难度很大。
为了解决汽车排放故障诊断困难的问题，申请人此前提出了申请号为【201310039235.7】的发明专利申请，该发明提出了一种基于模糊推理和自学习的汽车排放故障检诊方法及装置，该发明基于模糊推理算法，构建故障原因与故障征兆之间的模糊推理关系，在诊断时，将汽车排放故障征兆(即汽车排放数据)输入到模糊诊断矩阵中，模糊诊断矩阵通过模糊推理算法推断出该汽车排放故障征兆可能对应的各故障原因，并将各故障原因由大到小排序作为诊断结果输出，该诊断结果同时也是检修方案，维修人员依照该检修方案的排序，按序对汽车各部件进行检修，直至故障解除。
申请人在上述发明的实际应用过程中发现，该方案中仅将汽车排放数据作为故障诊断的数据源，在实际诊断检修过程中，检修方案中所罗列的故障原因数量较多，维修人员在根据检修方案进行检修时，平均耗时长，工作量大，即上述发明存在着诊断精确性较差、检修过程费时费力的缺点。
发明内容
为了解决上述现有技术存在的问题，本公开目的在于提供一种基于汽车排放和OBD数据综合认知计算诊断故障的方法、系统及设备。本公开结合汽车排放数据和OBD监测数据进行汽车故障诊断，诊断准确度高，对检修人员的技术经验依赖度低，可显著提高汽车检修效率和检修精度。
本公开所述的一种基于汽车排放和OBD数据综合认知计算诊断故障的方法，包括以下步骤：
S01、获取连续时间段内的汽车排放数据和OBD监测数据；
S02、捕捉所述汽车排放数据中的排放超标时间点t1，在所述OBD监测数据中捕捉与所述排放超标时间点t1相对应的对应时间点t2，根据所述对应时间点t2，在所述OBD监测数据中选取超标时间区间I，所述超标时间区间I＝[t2-a,t2+b]，其中，a、b均为常数且t2>a>0、b>0；获取在所述超标时间区间I内参数超标的所有汽车部件列为可能故障部件集Z；
S03、根据所述汽车排放数据、所述OBD监测数据和所述可能故障部件集Z制定检修方案，所述检修方案中，将所述可能故障部件集Z中的汽车部件列为优先检修部件。
优选地，所述常数a、b均属于[2,5]。
优选地，所述检修方案包括：
检修步骤一：检修所述可能故障部件集Z中的所有汽车部件，若故障解除则结束检修过程，否则执行检修步骤二；
检修步骤二：检修所述可能故障部件集Z外的其他汽车部件。
优选地，当所述可能故障部件集Z中的汽车部件数量为两个以上时，所述可能故障部件集Z中包含各个汽车部件的故障概率，所述检修步骤一中，根据各个汽车部件的故障概率从高到低进行排序，并按序逐个进行检修。
优选地，所述可能故障部件集Z中，各个汽车部件的故障概率通过如下步骤获得：
(1)构建故障原因集和故障征兆集，其中，
故障原因集：Y＝{y1,y2,…,yn}，表示汽车可能发生的各种故障原因；
故障征兆集：X＝{x1,x2,…,xm}，表示各种故障原因对应的故障征兆；
(2)采用最大隶属原则，确定该故障原因对征兆xi(i＝1,2,…,m)的隶属度或发生征兆xi时故障原因是yj的可信度rij；n个故障原因对应m个征兆的评价集构成了模糊诊断矩阵R：
其中，0≤rij≤1,1≤i≤m,1≤j≤n,R表示故障征兆X到故障原因Y的模糊关系；
(3)经过模糊运算Y＝X·R后，得到故障原因模糊向量Y＝{y1,y2,…,yn}；
(4)根据所述可能故障部件集Z，在所得故障原因模糊向量Y中选出与所述可能故障部件集Z相关联的关联向量，根据各关联向量的隶属度数值大小，输出所述可能故障部件集Z中各汽车部件的故障概率。
优选地，所述步骤(4)中，将所得故障原因模糊向量Y中除所述关联向量外的其他向量按隶属度数值大小从大到小依次排列，作为所述检修方案二中的检修顺序。
优选地，在所述步骤S03之后还包括：
S04、根据制定的检修方案对汽车进行检修，直至解除故障，将正确的故障原因更新并进行自学习。
优选地，所述步骤S04包括：
将征兆集X＝{x1,x2,…,xm}作为模糊神经网络的输入，所述模糊神经网络通过合成运算，得到实际输出Y＝{y1,y2,…,yn}，其运算公式为：
其中，0≤rij≤1,1≤i≤m,1≤j≤n,rij表示所述模糊神经网络中输入模式与输出模式之间的各个权值，即故障征兆到故障原因的隶属度数值，权值调整过程即为隶属度数值的调节过程，具体调节过程为：
令bj＝(yj)′-yj，式中，yj为期望输出，(yj)′为实际输出，bj表示输出误差，rij的求取公式如下：
rij(t+1)＝rij(t)-abjxi；
其中，rij(t)表示时刻t的权值，rij(t+1)表示对时刻t修正一次后得到的新的权值，a为比例因子，满足0≤a≤1，采用上述公式进行收敛，完成对各个权值rij，即隶属度值的调整，完成自学习。
本公开还提供了一种基于汽车排放和OBD数据综合认知计算诊断故障系统，包括：
输入模块，所述输入模块用于输入连续时间段内的汽车排放数据和OBD监测数据；
存储模块，所述存储模块用于存储汽车排放数据库、诊断检修记录库、车辆档案数据库和判定标准限值库；
诊断模块，所述诊断模块用于捕捉所述汽车排放数据中的排放超标时间点t1，在所述OBD监测数据中捕捉与所述排放超标时间点t1相对应的对应时间点t2，根据所述对应时间点t2，在所述OBD监测数据中选取超标时间区间I，所述超标时间区间I＝[t2-a,t2+b]，其中，a、b均为常数且a>0、b>0；获取在所述超标时间区间I内参数超标的所有汽车部件列为可能故障部件集Z，并根据所述汽车排放数据、所述OBD监测数据和所述可能故障部件集Z制定检修方案，所述检修方案中，将所述可能故障部件集Z中的汽车部件列为优先检修部件。
本公开还提供了一种计算机设备，包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载时执行如上所述基于汽车排放和OBD数据综合认知计算诊断故障的方法。
本公开所述的一种基于汽车排放和OBD数据综合认知计算诊断故障的方法、系统及设备，其优点在于，本公开结合汽车排放数据和OBD监测数据，获取OBD监测数据中在排放超标时间点t1相对应的对应时间点t2，根据对应时间点t2选取超标时间区间I，并获取超标时间区间I内参数超标的汽车部件列为可能故障部件集Z，将可能故障部件集Z中的汽车部件列为优先检修部件。
本公开通过采用汽车排放数据和OBD监测数据综合判断的方式，利用实时监测汽车各部件状态的OBD监测数据，在汽车排放超标的时刻，从OBD监测数据中捕捉对应时间段内参数超标的汽车部件，这些汽车部件的故障概率远大于其他部件，因而在检修方案中将这些汽车部件列为优先检修部件，在实际测试中，通过逐个维修所述优先检修部件通常可快速解决故障，大幅减少检修过程的平均耗时和工作量，达到快速准确维修的目的。
本公开能准确进行汽车故障诊断，诊断准确度高，对检修人员的技术经验依赖度低，可显著提高汽车检修效率和检修精度。
附图说明
图1是本公开所述一种基于汽车排放和OBD数据综合认知计算诊断故障的方法的步骤流程图；
图2是本公开所述一种基于汽车排放和OBD数据综合认知计算诊断故障系统的结构框图。
附图标记说明：1-输入模块，2-存储模块，3-诊断模块。
具体实施方式
如图1所示，本公开所述的一种基于汽车排放和OBD数据综合认知计算诊断故障的方法，包括以下步骤：
S01、获取连续时间段内的汽车排放数据和OBD监测数据；
其中，汽车在检修时通常加载在底盘测功机上以模拟汽车的各种工况，然后通过汽车排放测量单元来采集汽车排放尾气数据，汽车排放测量单元包括用于采集汽车排放尾气中各气体成分浓度，如CO、HC和NOX浓度的废气分析仪，用于采集汽车排放尾气流量的流量计以及用于获取当前环境温度、湿度和大气压力的电子环境测试仪。汽车在底盘测功机上进行工况模拟后产生排放尾气，通过上述各仪器获取汽车排放数据，该汽车排放数据主要反映在连续时间段内，各种类废气的排放量变化。
OBD监测数据由OBD系统获得，OBD系统(On Board Diagnostics，汽车故障诊断检测系统)，OBD系统可监测汽车运行过程中，发动机、催化转化器、颗粒捕集器、氧传感器、排放控制系统、燃油系统、EGR等系统和部件的运行参数，所述OBD监测数据主要反映上述各汽车部件在连续时间段内的运行参数变化。
S02、捕捉汽车排放数据中的排放超标时间点t1，在OBD监测数据中捕捉与排放超标时间点t1相对应的对应时间点t2，根据所述对应时间点t2，在所述OBD监测数据中选取超标时间区间I，所述超标时间区间I＝[t2-a,t2+b]，其中，a、b均为常数且t2>a>0、b>0；获取在所述超标时间区间I内参数超标的所有汽车部件列为可能故障部件集Z。将汽车排放数据中的各气体成分浓度与国家规定的尾气排放成分浓度标准(以下简称国标)对比，当某一气体的气体成分浓度大于国标时，捕捉该排放超标时间点t1并记录，在连续时间段的汽车排放数据中，当有多个时间点的排放量均超标时，则选取排放量最大的时刻作为所述超标时间点t1。
汽车在模拟工况采集汽车排放数据的过程中，OBD系统同时获取OBD监测数据，对各部件的运行参数进行监测，当捕捉到排放超标时间点t1时，在OBD监测数据中捕捉与该排放超标时间点t1相对应的时刻，记为对应时间点t2，然后取对应时间点t2前后时刻形成超标时间区间I＝[t2-a,t2+b]，获取在该超标时间区间I内参数超标的所有汽车部件构成可能故障部件集Z；
S03、根据汽车排放数据、OBD监测数据和可能故障部件集Z制定检修方案，检修方案中主要包含各个可能故障的部件并按故障概率大小从高到低进行排列，排列顺序也即为实际维修时各部件的检修顺序，在该检修方案中，将可能故障部件集Z中的汽车部件列为优先检修部件，即优先维修可能故障部件集Z中所包含的汽车部件。
进一步的，本实施例中，所述常数a、b均属于[2,5]，在一些优选的实施例中，a＝b＝3。在汽车的排放超标时间点t1时刻，汽车中跟排气相关的零部件有很大概率出现故障，当零部件出现故障时，其工作电压等相关参数也可能随之出现异常，因而通过在OBD监测数据中选取排放超标时刻前后时间段内的参数超标部件形成的可能故障部件集Z，可实现快速准确精修的目的。
进一步的，本实施例中，检修方案包括：
检修步骤一：检修可能故障部件集Z中的所有汽车部件，若故障解除则结束检修过程，否则执行检修步骤二；
检修步骤二：检修所述可能故障部件集Z外的其他汽车部件。
进一步的，本实施例中，当所述可能故障部件集Z中的汽车部件数量为至少两个时，所述可能故障部件集Z中包含各个汽车部件的故障概率，所述检修步骤一中，根据各个汽车部件的故障概率从高到低进行排序，并按序逐个进行检修，当对应时间点t2参数超标的汽车部件有两个以上时，需要根据各个汽车部件的故障概率来确定检修顺序，以实现快速精修。
进一步的，本实施例中，所述可能故障部件集Z中，各个汽车部件的故障概率通过如下步骤获得：
(1)构建故障原因集和故障征兆集，其中，
故障原因集：Y＝{y1,y2,…,yn}，表示汽车可能发生的各种故障原因；
故障征兆集：X＝{x1,x2,…,xm}，表示各种故障原因对应的故障征兆；
(2)采用最大隶属原则，确定该故障原因对征兆xi(i＝1,2,…,m)的隶属度或发生征兆xi时故障原因是yj的可信度rij；n个故障原因对应m个征兆的评价集构成了模糊诊断矩阵R：
其中，0≤rij≤1,1≤i≤m,1≤j≤n,R表示故障征兆X与故障原因Y的模糊关系；
(3)经过模糊运算Y＝X·R后，得到故障原因模糊向量Y＝{y1,y2,…,yn}；
(4)根据所述可能故障部件集Z，在所得故障原因模糊向量Y中选出与所述可能故障部件集Z相关联的关联向量，根据各关联向量的隶属度数值大小，输出所述可能故障部件集Z中各汽车部件的故障概率。
上述步骤中，通过收集汽车排放数据、诊断检修记录、车辆档案数据等构建形成专家数据库，专家数据库中包含有多组实际检修过程中所记录的故障征兆与对应的故障原因，将故障征兆与对应的故障原因通过如上所述的模糊推理算法进行运算，可得到用于表征故障征兆X与故障原因Y的模糊关系的模糊诊断矩阵R。
在实际的诊断维修过程中，诊断的故障原因通过模糊运算Y＝X·R获得，将实际发生的故障征兆代入到式中，即可得到故障原因模糊向量Y＝{y1,y2,…,yn}；
故障原因模糊向量Y中包含有多个汽车部件的故障概率，需要进行进一步筛选以提高检修诊断精度，因而步骤(4)中根据可能故障部件集Z，在所得故障原因模糊向量Y中选出与可能故障部件集Z相关联的关联向量，即取所述故障原因模糊向量Y与所述可能故障部件集Z的交集，并根据各关联向量的数值关系，输出所述可能故障部件集Z中各汽车部件的故障概率。
上述过程中，根据模糊推理算法构建征兆集与原因集之间的模糊诊断矩阵，在实际检修诊断过程中，可根据故障征兆推理出该故障征兆所对应的各故障原因及其故障概率，然后再通过可能故障部件集Z进行进一步筛选，将所述可能故障部件集Z中的各汽车部件的故障概率进行排序，以确定检修步骤一中各汽车部件的检修顺序。模糊推理算法具有应用成熟，推理准确的优点，应用于本实施例中，可进一步提高故障诊断结果的准确性。
进一步的，本实施例中，步骤(4)中，将所得故障原因模糊向量Y中除所述关联向量外的其他向量按隶属度数值大小从大到小依次排列，作为所述检修方案二中的检修顺序，使得在执行检修方案二时，可按照各部件的故障概率大小按序进行检修，可进一步提高检修效率。
进一步的，本实施例中，在所述步骤S03之后还包括：
S04、根据制定的检修方案对汽车进行检修，直至解除故障，将正确的故障原因更新并进行自学习。
进一步的，本实施例中，自学习过程通过模糊神经网络算法实现，具体如下：将征兆集X＝{x1,x2,…,xm}作为模糊神经网络的输入，所述模糊神经网络通过合成运算，得到实际输出Y＝{y1,y2,…,yn}，其运算公式为：
其中，0≤rij≤1,1≤i≤m,1≤j≤n,rij是所述模糊神经网络中输入模式与输出模式之间的各个权值，即故障征兆到故障原因的隶属度值，权值调整过程即为隶属度值的调节过程，具体调节过程为：
令bj＝(yj)′-yj，式中，yj为期望输出，(yj)′为实际输出，bj表示输出误差，rij的求取公式如下：
rij(t+1)＝rij(t)-abjxi；
其中，rij(t)表示时刻t的权值，rij(t+1)表示对时刻t修正一次后得到的新的权值，a为比例因子，满足0≤a≤1，采用上述公式进行收敛，完成对各个权值rij，即隶属度值的调整，完成自学习。
模糊神经网络算法是常用的机器学习算法，应用于本实施例中，可随着实际维修过程的进行，不断对诊断模块3进行自学习，以持续提高诊断结果的准确性。
如图2所示的，本实施例还提供了一种基于汽车排放和OBD数据综合认知计算诊断故障系统，包括：
输入模块1，所述输入模块1用于输入连续时间段内的汽车排放数据和OBD监测数据；
存储模块2，所述存储模块2用于存储汽车排放数据库、诊断检修记录库、车辆档案数据库和判定标准限值库；
诊断模块3，所述诊断模块3用于捕捉所述汽车排放数据中的排放超标时间点t1，在所述OBD监测数据中捕捉与所述排放超标时间点t1相对应的对应时间点t2，获取在所述对应时间点t2时参数超标的所有汽车部件列为可能故障部件集Z，并根据所述汽车排放数据、所述OBD监测数据和所述可能故障部件集Z制定检修方案。
本实施例的诊断故障系统用于实现上述诊断故障的方法，具有诊断准确度高，对检修人员的技术经验依赖度低，可显著提高汽车检修效率和检修精度的优点，本实施例的诊断故障系统与上述诊断故障的方法基于同一发明构思，可参照上文关于方法的描述进行理解，在此不再赘述。
本公开实施例还提供了一种计算机设备，包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载时执行如上所述的基于汽车排放和OBD数据综合认知计算诊断故障的方法。
存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行各种功能应用。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、功能所需的应用程序等；存储数据区可存储根据所述设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器还可以包括存储器控制器，以提供处理器对存储器的访问。
本公开实施例所提供的方法实施例可以在计算机终端、服务器或者类似的运算装置中执行，即上述计算机设备可以包括计算机终端、服务器或者类似的运算装置。该计算机设备的内部结构可包括但不限于：处理器、网络接口及存储器。其中，计算机设备内的处理器、网络接口及存储器可通过总线或其他方式连接。
其中，处理器(或称CPU(CentralProcessingUnit，中央处理器))是计算机设备的计算核心以及控制核心。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI、移动通信接口等)。存储器(Memory)是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的存储器可以是高速RAM存储设备，也可以是非不稳定的存储设备(non-volatile memory)，例如至少一个磁盘存储设备；可选的还可以是至少一个位于远离前述处理器的存储装置。存储器提供存储空间，该存储空间存储了电子设备的操作系统，可包括但不限于：Windows系统(一种操作系统)，Linux(一种操作系统)，Android(安卓，一种移动操作系统)系统、IOS(一种移动操作系统)系统等等，本公开对此并不作限定；并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。在本说明书实施例中，处理器加载并执行存储器中存放的一条或一条以上指令，以实现上述方法实施例提供的基于汽车排放和OBD数据综合认知计算诊断故障的方法。
在本公开的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本公开和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本公开保护范围的限制。
对于本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本公开权利要求的保护范围之内。
Claims (10)
1.一种基于汽车排放和OBD数据综合认知计算诊断故障的方法，其特征在于，包括以下步骤：
S01、获取连续时间段内的汽车排放数据和OBD监测数据；
S02、捕捉所述汽车排放数据中的排放超标时间点t1，在所述OBD监测数据中捕捉与所述排放超标时间点t1相对应的对应时间点t2，根据所述对应时间点t2，在所述OBD监测数据中选取超标时间区间I，所述超标时间区间I＝[t2-a,t2+b]，其中，a、b均为常数且t2>a>0、b>0；获取在所述超标时间区间I内参数超标的所有汽车部件列为可能故障部件集Z；
S03、根据所述汽车排放数据、所述OBD监测数据和所述可能故障部件集Z制定检修方案，所述检修方案中，将所述可能故障部件集Z中的汽车部件列为优先检修部件。
2.根据权利要求1所述基于汽车排放和OBD数据综合认知计算诊断故障的方法，其特征在于，所述常数a、b均属于[2,5]。
3.根据权利要求2所述基于汽车排放和OBD数据综合认知计算诊断故障的方法，其特征在于，所述检修方案包括：
检修步骤一：检修所述可能故障部件集Z中的所有汽车部件，若故障解除则结束检修过程，否则执行检修步骤二；
检修步骤二：检修所述可能故障部件集Z外的其他汽车部件。
4.根据权利要求3所述基于汽车排放和OBD数据综合认知计算诊断故障的方法，其特征在于，当所述可能故障部件集Z中的汽车部件数量为两个以上时，所述可能故障部件集Z中包含各个汽车部件的故障概率，所述检修步骤一中，根据各个汽车部件的故障概率从高到低进行排序，并按序逐个进行检修。
5.根据权利要求4所述基于汽车排放和OBD数据综合认知计算诊断故障的方法，其特征在于，所述可能故障部件集Z中，各个汽车部件的故障概率通过如下步骤获得：
(1)构建故障原因集和故障征兆集，其中，
故障原因集：Y＝{y1,y2,…,yn}，表示汽车可能发生的各种故障原因；
故障征兆集：X＝{x1,x2,…,xm}，表示各种故障原因对应的故障征兆；
(2)采用最大隶属原则，确定该故障原因对征兆xi(i＝1,2,…,m)的隶属度或发生征兆xi时故障原因是yj的可信度rij；n个故障原因对应m个征兆的评价集构成了模糊诊断矩阵R：
其中，0≤rij≤1,1≤i≤m,1≤j≤n,R表示故障征兆X到故障原因Y的模糊关系；
(3)经过模糊运算Y＝X·R后，得到故障原因模糊向量Y＝{y1,y2,…,yn}；
(4)根据所述可能故障部件集Z，在所得故障原因模糊向量Y中选出与所述可能故障部件集Z相关联的关联向量，根据各关联向量的隶属度数值大小，输出所述可能故障部件集Z中各汽车部件的故障概率。
6.根据权利要求5所述基于汽车排放和OBD数据综合认知计算诊断故障的方法，其特征在于，所述步骤(4)中，将所得故障原因模糊向量Y中除所述关联向量外的其他向量按隶属度数值大小从大到小依次排列，作为所述检修方案二中的检修顺序。
7.根据权利要求5所述基于汽车排放和OBD数据综合认知计算诊断故障的方法，其特征在于，在所述步骤S03之后还包括：
S04、根据制定的检修方案对汽车进行检修，直至解除故障，将正确的故障原因更新并进行自学习。
8.根据权利要求7所述基于汽车排放和OBD数据综合认知计算诊断故障的方法，其特征在于，所述步骤S04包括：
将征兆集X＝{x1,x2,…,xm}作为模糊神经网络的输入，所述模糊神经网络通过合成运算，得到实际输出Y＝{y1,y2,…,yn}，其运算公式为：
其中，0≤rij≤1,1≤i≤m,1≤j≤n,rij表示所述模糊神经网络中输入与输出之间的各个权值，即故障征兆到故障原因的隶属度数值，权值调整过程即为隶属度数值的调节过程，具体调节过程为：
令bj＝(yj)′-yj，式中，yj为期望输出，(yj)′为实际输出，bj表示输出误差，rij的求取公式如下：
rij(t+1)＝rij(t)-abjxi；
其中，rij(t)表示时刻t的权值，rij(t+1)表示对时刻t修正一次后得到的新的权值，a为比例因子，满足0≤a≤1，采用上述公式进行收敛，完成对各个权值rij，即隶属度值的调整，完成自学习。
9.一种基于汽车排放和OBD数据综合认知计算诊断故障系统，其特征在于，包括：
输入模块，所述输入模块用于输入连续时间段内的汽车排放数据和OBD监测数据；
存储模块，所述存储模块用于存储汽车排放数据库、诊断检修记录库、车辆档案数据库和判定标准限值库；
诊断模块，所述诊断模块用于捕捉所述汽车排放数据中的排放超标时间点t1，在所述OBD监测数据中捕捉与所述排放超标时间点t1相对应的对应时间点t2，根据所述对应时间点t2，在所述OBD监测数据中选取超标时间区间I，所述超标时间区间I＝[t2-a,t2+b]，其中，a、b均为常数且a>0、b>0；获取在所述超标时间区间I内参数超标的所有汽车部件列为可能故障部件集Z，并根据所述汽车排放数据、所述OBD监测数据和所述可能故障部件集Z制定检修方案，所述检修方案中，将所述可能故障部件集Z中的汽车部件列为优先检修部件。
10.一种计算机设备，包括处理器和存储器，其特征在于，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载时执行如权利要求1-8任一项所述基于汽车排放和OBD数据综合认知计算诊断故障的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311156951.3A CN117309410A (zh) | 2023-09-07 | 2023-09-07 | 一种基于汽车排放和obd数据综合认知计算诊断故障的方法、系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311156951.3A CN117309410A (zh) | 2023-09-07 | 2023-09-07 | 一种基于汽车排放和obd数据综合认知计算诊断故障的方法、系统及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117309410A true CN117309410A (zh) | 2023-12-29 |
Family
ID=89272873
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311156951.3A Pending CN117309410A (zh) | 2023-09-07 | 2023-09-07 | 一种基于汽车排放和obd数据综合认知计算诊断故障的方法、系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117309410A (zh) |
-
2023
- 2023-09-07 CN CN202311156951.3A patent/CN117309410A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4928532B2 (ja) | 車両の故障診断装置 | |
| CN103091112B (zh) | 基于模糊推理和自学习的汽车排放故障检诊方法及装置 | |
| JP4414470B1 (ja) | 車両の故障診断のための基準値の生成 | |
| USRE45815E1 (en) | Method for simplified real-time diagnoses using adaptive modeling | |
| CN203083829U (zh) | 基于简易工况法尾气排放检测的汽车故障诊断系统 | |
| CN111061293B (zh) | 多参数耦合的飞行器故障定位方法、飞行器及存储介质 | |
| EP4167040A1 (en) | Fault model editor and diagnostic tool | |
| CN114995346B (zh) | 一种发动机电气诊断标定方法、装置、设备及介质 | |
| CN109120699A (zh) | 工程机械排放物的远程监控方法、装置、设备和存储介质 | |
| CN115586009A (zh) | 一种故障诊断与健康管理系统、方法 | |
| CN112035996A (zh) | 一种装备测试性一体化设计与评估系统 | |
| CN117218602A (zh) | 一种结构健康监测数据异常诊断方法及系统 | |
| CN113609216A (zh) | 基于区块链的产品质量诊断方法、装置、设备及存储介质 | |
| CN117309410A (zh) | 一种基于汽车排放和obd数据综合认知计算诊断故障的方法、系统及设备 | |
| CN117150884A (zh) | 一种基于数字孪生的发动机故障排查方法及系统 | |
| CN117013687A (zh) | 一种电力运行质量监测方法及系统 | |
| JP2645017B2 (ja) | プラント診断方法及びその装置 | |
| CN110688309A (zh) | 基于需求的通用型软件测试用例序列定量评价方法 | |
| CN110273738A (zh) | 一种重型发动机排放诊断测试系统 | |
| Werner-Stark et al. | Agent-based analysis and detection of functional faults of vehicle industry processes: a process mining approach | |
| CN113112160B (zh) | 一种诊断数据处理方法、诊断数据处理装置及电子设备 | |
| CN118051743B (zh) | 一种航空发动机气路故障诊断方法和装置 | |
| Reibling et al. | Diagnostic reasoning technology for the on-board maintenance system | |
| SŁUPSKI et al. | Selection of operating parameters in technical equipment diagnostics using vehicle testing as an illustrative example. | |
| CN117742285A (zh) | 基于航空机载系统功能性能模型的测试性仿真方法 |
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 |