CN104216397B - 智能驱动桥***故障识别与检测的方法 - Google Patents
智能驱动桥***故障识别与检测的方法 Download PDFInfo
- Publication number
- CN104216397B CN104216397B CN201410413353.4A CN201410413353A CN104216397B CN 104216397 B CN104216397 B CN 104216397B CN 201410413353 A CN201410413353 A CN 201410413353A CN 104216397 B CN104216397 B CN 104216397B
- Authority
- CN
- China
- Prior art keywords
- fault
- brake drum
- faults
- network
- drive axle
- 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
Landscapes
- Valves And Accessory Devices For Braking Systems (AREA)
Abstract
本发明提供一种智能驱动桥***故障识别与检测的方法,属于故障识别与检测的方法,信号采集利用传感器来完成,它们被安在驱动桥的相应位置上;采集的信号经过滤波处理和A/D转换后传输到嵌入式***中,这个***的硬件承载是具有较强运算能力的单片机***;此时嵌入式***中已经载入BP网路算法,这个算法的编程依据基于模型的设计流程自动生成,而且嵌入式***能够反馈实际代码执行的效果传递给基于模型设计模块,及时优化整个代码生成的过程;经过嵌入式***的解析,得出故障的类型,通过报警装置和液晶显示装置实时监控驱动桥的状态,一旦出现故障,立即提醒驾驶员做出必要的操作,可以在驱动桥发生故障前对相应故障进行报警。
Description
技术领域
本发明提供一种智能驱动桥***故障识别与检测的方法,属于故障识别与检测的方法。
背景技术
在科技日渐发达的今天,汽车工业己经成为世界工业化国家的不可替代的支柱产业。每年汽车的产量己达到5600多万辆并仍处在上升的趋势,世界汽车的保有量也达到7亿多辆,并且在持续的增加,从而导致对于驱动桥需求的日益增加。汽车的车桥作为汽车的主要组成部分,一旦发生故障会造成严重的行车安全。因此故障检测诊断技术是加强汽车的安全性能,保证行车安全的必要途径。但是目前汽车维修的主要方式主要采用“事后维修”与汽车定期强制的保养,它们的弊端是明显的,“事后维修”间接对人身安全造成威胁,同时对汽车拥有者的财产权存在风险隐患,强制性的定期保养通常会造成盲目修理或是失修现象。
目前现有技术缺陷在于:无法在驱动桥发生故障前***出驱动桥故障,并发出报警。
发明内容
本发明目的在于提供一种智能驱动桥***故障识别与检测的方法,可以在驱动桥发生故障前对相应故障进行报警。
本发明所述的智能驱动桥***故障识别与检测的方法,信号采集利用传感器来完成,它们被安在驱动桥的相应位置上;采集的信号经过滤波处理和A/D转换后传输到嵌入式***中,这个***的硬件承载是具有较强运算能力的单片机***;此时嵌入式***中已经载入BP网路算法,这个算法的编程依据基于模型的设计流程自动生成,不需要人工编写,而且嵌入式***能够反馈实际代码执行的效果传递给基于模型设计模块,及时优化整个代码生成的过程;经过嵌入式***的解析,得出故障的类型,通过报警装置和液晶显示装置实时监控驱动桥的状态,一旦出现故障,立即提醒驾驶员做出必要的操作,其方法为:
(1)确定驱动桥的8种故障类型状态:无故障、主减速器故障、制动鼓故障、桥壳故障、主减速器和制动鼓同时故障,主减速器和桥壳同时故障,制动鼓和桥壳同时故障,主减速器、制动鼓和桥壳同时故障。
(2)根据八种故障状态的的初始决策向量设计出56个训练样本,理论上已经证明在不限制隐含层节点数的情况下,两层的BP网络就能够实现任意的非线性映射,而且本文的训练样本数量相对较少,两层的网络就可以满足识别的要求,故确定网络的层数为两层。
(3)根据故障状态组成主因子的分析法确定主要有四种主因子信息,依次为油温信号、重量信号、制动鼓温度信号、磨损信号。因为输出层的节点数取决于输入矢量的维数,本文所需输入的是这四个传感器信息,因此确定BP网络输入层的节点数为4个;确定输出层的节点数,识别出1无故障、2主减速器故障、3制动鼓故障、4桥壳故障、5主减速器和制动鼓同时故障,6主减速器和桥壳同时故障,7制动鼓和桥壳同时故障,8主减速器这8种故障状态。希望通过输入的多个传感器信息识别出这八种故障,所以输出层的节点数为8个。
(4)故障状态属于模式识别方面,对于用于模式识别的BP网络可以利用公式来设计。有前面可知输入层节点数ni=4,输出层的节点数n0=8,常数a=5~13之间的常数,根据公式计算出多个隐含层的节点个数,分别将各个不同的隐含层用BP神经网络来加以训练,选择收敛效果最好的隐含层个数。
(5)车桥故障状态识别的训练样本是经过归一化处理得到的,输出范围在[0,1]之间,所以本文选取单极性S函数作为传递函数以保证输出范围在[0,1]之间。
所述的智能驱动桥***故障识别与检测的方法,对于一个确定好结构的BP网络,利用MATLAB中的神经网络工具箱与Simlink中的BP模块创建BP网络,为后续软件的设计创造条件;对于本文用于驾驶状态识别BP网络,由前面设计好的网结构知输入层的节点数为4,对应四个传感器的信息输入量,但在创建网络时可以不显示出来,因为输入层一般不算层;输出节点数为8,对应无故障、主减速器故障、制动鼓故障、桥壳故障、主减速器和制动鼓同时故障,主减速器和桥壳同时故障,制动鼓和桥壳同时故障,主减速器、制动鼓和桥壳同时故障这8种故障状态。隐层节点数由公式来进行确定,这样就确定了网络各层的神经元数目;由前面所设计的BP网络结构知传递函数采用的是单极性S函数,输出范围为[0,1],所以对于网络各层的传递函数类型可以选用logsig函数,利用函数traingd来训练网络已保证网络的输出范围,除此之外这里在最后还使用sim函数目的是用它来实现对网络的仿真,各个参数确定好后就建立了一个3层的前向型BP神经网络。期望响应T中每一个向量的维数就是输出层的神经元数目。最后创建的用于驱动桥故障状态识别的BP网络为:
net=newff(T,[48],{'logsig','logsig'},'traingd')
BP网络训练是通过训练使训练后的网络误差达到要求,即实际输出和理想输出之差在误差范围之内。那么训练这个用于故障状态识别的BP网络就为了使网络实际的状态值输出与理想的状态输出值是否在规定的误差范围内。BP网络结构设计好后就可以将已知的训练样本读入,对其进行训练以验证所建BP神经网络的正确性;训练样本是设计的故障信息采集电路采集到的各类故障数据及故障状态决策权重系数基础上,综合专家评估设计得到。采用MATLAB编程来实现样本的批量读入与训练,这里就是采用此方法来实现BP网络的训练,训练样本的格式如下表。表1 驱动桥检测***训练样本表
故障类型 | 输入向量X | 理想输出向量Y |
无故障 | [0 1 0 25] | [0 0 0 0 ] |
无故障 | [3 2 0 30] | [0 0 0 0 ] |
无故障 | [6 3 0 34] | [0 0 0 0 ] |
无故障 | [8 4 0 40] | [0 0 0 0 ] |
无故障 | [13 5 0 47] | [0 0 0 0 ] |
无故障 | [15 6 0 50] | [0 0 0 0 ] |
无故障 | [20 7 0 54] | [0 0 0 0 ] |
主减故障 | [100 1.5 0 21] | [0 1 0 0 ] |
主减故障 | [105 2.3 0 28] | [0 1 0 0 ] |
主减故障 | [110 3.7 0 32] | [0 1 0 0 ] |
主减故障 | [115 2.4 0 40] | [0 1 0 0 ] |
主减故障 | [120 5.6 0 47] | [0 1 0 0 ] |
主减故障 | [125 4.3 0 50] | [0 1 0 0 ] |
主减故障 | [130 6.5 0 44] | [0 1 0 0 ] |
制动鼓高温故障 | [4 30.3 0 20] | [0 0 1 0 ] |
制动鼓高温故障 | [6 41 0 30] | [0 0 1 0 ] |
制动鼓高温故障 | [9 32.6 0 27] | [0 0 1 0 ] |
制动鼓高温故障 | [11 24 0 27] | [0 0 1 0 ] |
制动鼓高温故障 | [14 45.7 0 40] | [0 0 1 0 ] |
制动鼓高温故障 | [17 29 0 42] | [0 0 1 0 ] |
制动鼓高温故障 | [19 34.2 0 50] | [0 0 1 0 ] |
桥壳壳体故障 | [3 1.2 0 450] | [0 0 0 1 ] |
桥壳壳体故障 | [5 2.3 0 500] | [0 0 0 1 ] |
桥壳壳体故障 | [8 3.4 0 650] | [0 0 0 1 ] |
桥壳壳体故障 | [10 4.9 0 700] | [0 0 0 1 ] |
桥壳壳体故障 | [13 5.7 0 800] | [0 0 0 1 ] |
桥壳壳体故障 | [15 6.2 0 850] | [0 0 0 1 ] |
桥壳壳体故障 | [19 7.3 0 900] | [0 0 0 1 ] |
磨损故障 | [2 1.2 1 25] | [1 0 0 0 ] |
磨损故障 | [5 2.3 1 28] | [1 0 0 0 ] |
磨损故障 | [7 3.4 1 32] | [1 0 0 0 ] |
磨损故障 | [6 4.9 1 37] | [1 0 0 0 ] |
磨损故障 | [10 5.7 1 41] | [1 0 0 0 ] |
磨损故障 | [14 6.2 1 44] | [1 0 0 0 ] |
磨损故障 | [17 7.3 1 48] | [1 0 0 0 ] |
主减和制动鼓高温故障 | [100 30.3 0 25] | [0 1 1 0 ] |
主减和制动鼓高温故障 | [105 41 0 32] | [0 1 1 0 ] |
主减和制动鼓高温故障 | [110 32.6 0 40] | [0 1 1 0 ] |
主减和制动鼓高温故障 | [115 24 0 47] | [0 1 1 0 ] |
主减和制动鼓高温故障 | [120 45.7 0 28] | [0 1 1 0 ] |
主减和制动鼓高温故障 | [125 29 0 43] | [0 1 1 0 ] |
主减和制动鼓高温故障 | [130 34.2 0 50] | [0 1 1 0 ] |
主减和壳体故障 | [103 1.4 0 500] | [0 1 0 1 ] |
主减和壳体故障 | [114 2.1 0 480] | [0 1 0 1 ] |
主减和壳体故障 | [141 4.7 0 850] | [0 1 0 1 ] |
主减和壳体故障 | [126 6.4 0 790] | [0 1 0 1 ] |
主减和壳体故障 | [117 8.1 0 710] | [0 1 0 1 ] |
主减和壳体故障 | [132 5.4 0 650] | [0 1 0 1 ] |
主减和壳体故障 | [110 3.6 0 930] | [0 1 0 1 ] |
主减和磨损故障 | [149 1.4 1 41] | [1 1 0 0 ] |
主减和磨损故障 | [141 8.0 1 16] | [1 1 0 0 ] |
主减和磨损故障 | [134 4.2 1 24] | [1 1 0 0 ] |
主减和磨损故障 | [126 6.1 1 57] | [1 1 0 0 ] |
主减和磨损故障 | [132 3.4 1 43] | [1 1 0 0 ] |
主减和磨损故障 | [110 7.1 1 60] | [1 1 0 0 ] |
主减和磨损故障 | [105 9.0 1 30] | [1 1 0 0 ] |
制动鼓高温和壳体故障 | [0 40 0 510] | [0 0 1 1] |
制动鼓高温和壳体故障 | [4 45 0 560] | [0 0 1 1 ] |
制动鼓高温和壳体故障 | [10 37 0 670] | [0 0 1 1 ] |
制动鼓高温和壳体故障 | [12 51 0 730] | [0 0 1 1 ] |
制动鼓高温和壳体故障 | [14 38 0 790] | [0 0 1 1 ] |
制动鼓高温和壳体故障 | [19 43 0 860] | [0 0 1 1 ] |
制动鼓高温和壳体故障 | [20 57 0 930] | [0 0 1 1 ] |
磨损和制动鼓高温故障 | [1 47 1 17] | [1 0 1 0 ] |
磨损和制动鼓高温故障 | [5 54 1 24] | [1 0 1 0 ] |
磨损和制动鼓高温故障 | [7 43 1 38] | [1 0 1 0 ] |
磨损和制动鼓高温故障 | [10 57 1 42] | [1 0 1 0 ] |
磨损和制动鼓高温故障 | [12 37 1 49] | [1 0 1 0 ] |
磨损和制动鼓高温故障 | [15 34 1 53] | [1 0 1 0 ] |
磨损和制动鼓高温故障 | [19 32 1 60] | [1 0 1 0 ] |
壳体和磨损故障 | [2 4 1 550] | [1 0 0 1 ] |
壳体和磨损故障 | [4 7 1 630] | [1 0 0 1 ] |
壳体和磨损故障 | [7 9 1 690] | [1 0 0 1 ] |
壳体和磨损故障 | [10 13 1 750] | [1 0 0 1 ] |
壳体和磨损故障 | [12 15 1 830] | [1 0 0 1 ] |
壳体和磨损故障 | [14 17 1 920] | [1 0 0 1 ] |
壳体和磨损故障 | [19 20 1 970] | [1 0 0 1 ] |
主减、高温和壳体故障 | [110 29 0 510] | [0 1 1 1 ] |
主减、高温和壳体故障 | [120 34 0 590] | [0 1 1 1 ] |
主减、高温和壳体故障 | [135 40 0 640] | [0 1 1 1 ] |
主减、高温和壳体故障 | [103 50 0 810] | [0 1 1 1 ] |
主减、高温和壳体故障 | [114 43 0 730] | [0 1 1 1 ] |
主减、高温和壳体故障 | [121 47 0 740] | [0 1 1 1 ] |
主减、高温和壳体故障 | [127 38 0 810] | [0 1 1 1 ] |
主减、壳体和磨损故障 | [150 2.1 1 900] | [1 1 0 1] |
主减、壳体和磨损故障 | [149 3.4 1 810] | [1 1 0 1] |
主减、壳体和磨损故障 | [136 5.4 1 760] | [1 1 0 1] |
主减、壳体和磨损故障 | [139 6.0 1 530] | [1 1 0 1] |
主减、壳体和磨损故障 | [128 7.1 1 670] | [1 1 0 1] |
主减、壳体和磨损故障 | [117 7.6 1 860] | [1 1 0 1] |
主减、壳体和磨损故障 | [120 4.3 1 620] | [1 1 0 1] |
高温、壳体和磨损故障 | [50 7.5 1 620] | [1 0 1 1] |
高温、壳体和磨损故障 | [30 6.2 1 650] | [1 0 1 1] |
高温、壳体和磨损故障 | [35 5.1 1 700] | [1 0 1 1] |
高温、壳体和磨损故障 | [61 4.6 1 720] | [1 0 1 1] |
高温、壳体和磨损故障 | [43 8.0 1 790] | [1 0 1 1] |
高温、壳体和磨损故障 | [70 1.4 1 800] | [1 0 1 1] |
高温、壳体和磨损故障 | [20 2.6 1 830] | [1 0 1 1] |
故障同时出现 | [130 30 1 500] | [1 1 1 1] |
故障同时出现 | [137 24.1 1 600] | [1 1 1 1] |
故障同时出现 | [141 42 1 570] | [1 1 1 1] |
故障同时出现 | [150 27 1 670] | [1 1 1 1] |
故障同时出现 | [124 43 1 900] | [1 1 1 1] |
故障同时出现 | [110 37 1 870] | [1 1 1 1] |
故障同时出现 | [105 45 1 760] | [1 1 1 1] |
其中输入向量X=(油温信号、制动鼓温度信号、磨损信号、桥壳应力信号),输出向量Y=(主减速器故障、制动鼓高温故障、磨损故障、桥壳故障)。
训练好样本后,随机输入表征驱动桥故障的几组特征值作为检测样本,所得的结果如表2所示
表2 故障特征的数据表
实际输入 | 理想输出 | 实际输出 |
[24、7、0、8.6、50] | [1、0、0、0、0] | [0.9995、0.0002、0.0001、0.0000、0.0002] |
[10、50、0、7.6、30] | [0、1、0、0、0] | [0.0005、0.9997、0.0000、0.0001、0.0001] |
[10、4、0、8、35] | [0、0、1、0、0] | [0.0015、0.0001、0.9998、0.0001、0.0001] |
[20、8、0、9.2、950] | [0、0、0、1、0] | [-0.0003、0.0002、0.0003、0.9965、0.0005] |
[3、7.3、1、6.9、45] | [0、0、0、0、1] | [0.0016、0.0001、0.0011、0.0001、0.9992] |
[16、8.3、1、10、34] | [0、0、0、1、1] | [0.0005、-0.0012、0.0001、0.9992、0.9994] |
[30、9.3、0、4.1、21] | [0、0、0、0、0] | [0.0002、0.0001、-0.0005、0.0004、0.0000] |
可以看到误差较小,所以使用设计的神经网络用于智能驱动桥的故障类型识别。当设计的智能驱动桥***检测出来故障的类型后,若是某个部位出现故障,则在液晶上显示故障的代码,并将故障的代码进行保存。通过程序的编写来驱动蜂鸣器报警,以及在液晶上出现代码;整个***的结构设计完成,主要包括四个部分,测量油温信号、重量信号、制动鼓温度信号、磨损信号这四个信号的采集器,识别八种故障类型的识别器,、显示故障代码和储存信息的嵌入式***和报警装置中;在此设计中使用了智能算法神经网络来识别故障类型,一般手工编程的方式,对于本发明中使用的先进算法编程量巨大,难度大,非常容易产生错误,不易实现。而且传统的故障***软件设计流程是需要搭建硬件原型,这种设计方式投入资金巨大。整个***的查错与验证只能在原型样机上才能实现,查错的费用巨大。因此,本发明使用基于模型的设计方法实线整个***的软件设计。本发明中使用软件工具Simulink&Stateflow建立整个***的仿真模型,并且使用AUTOSAR作为软件的架构标准。AUTOSAR是由全球汽车制造商、部件供应商及其他电子、半导体和软件***公司联合建立,各成员保持开发合作伙伴关系。AUTOSAR这个架构有利于车辆电子***软件的交换与更新,并为高效管理愈来愈复杂的车辆电子、软件***提供了一个基础。此外,AUTOSAR在确保产品及服务质量的同时,提高了成本效率。
基于模型设计的一个重要特征是在设计的过程中持续的跟踪与验证。在建模这个阶段,若模型输出的效果没法达到预期的要求,可以不断的修正模型。模型与需求吻合后,可以进行一些模型验证的检查,利用工具System Test和Simulink Design Verifier完成这一功能。对于嵌入式处理器,浮点模型执行的效率较长,执行时间长,因此浮点模型需要借助Fixed-Point Advisor或者Fixed-Point Tool进行自动定标或者手动定标,这样形成的定点模型能够用于自动代码的生成,自动代码的生成减少了手工代码的劳动,效率更高,错误率也减少,执行效率不亚于手工编程。最后将生成的代码加载到IDE环境中,编译后下载到硬件平台,以测试代码的实时性指标。对照***需求,评估测试结果是否符合要求,进行必要的修正与优化,最终得到产品级的代码。整个***的软件设计完成。
本发明与现有技术相比有益效果为:
通过油温信号、重量信号、制动鼓温度信号、磨损信号根据BP网络算法,判断出汽车驱动桥八种故障状态的初始决策向量设计出56个训练样本,在驱动桥出现故障之前通过报警装置和显示装置将故障信息提起前告知驾驶员,以便驾驶员立即进行处理,保证了汽车不会出现事故。并且使用基于模型的设计方式,自动生成复杂算法代码,优化整个代码生成过程,提升了***软件设计的效率和准确性。
附图说明
图1为智能驱动桥软件***设计流程图;
图2为本发明原理图。
具体实施方式
下面结合本发明对本发明实施例做进一步说明:
如图1和图2所示,本发明目的在于提供一种智能驱动桥***故障识别与检测的方法,可以在驱动桥发生故障前对相应故障进行报警。
本发明所述的智能驱动桥***故障识别与检测的方法,信号采集利用传感器来完成,它们被安在驱动桥的相应位置上;采集的信号经过滤波处理和A/D转换后传输到嵌入式***中,这个***的硬件承载是具有较强运算能力的单片机***;此时嵌入式***中已经载入BP网路算法,这个算法的编程依据基于模型的设计流程自动生成,不需要人工编写,而且嵌入式***能够反馈实际代码执行的效果传递给基于模型设计模块,及时优化整个代码生成的过程;经过嵌入式***的解析,得出故障的类型,通过报警装置和液晶显示装置实时监控驱动桥的状态,一旦出现故障,立即提醒驾驶员做出必要的操作,其方法为:
(1)确定驱动桥的8种故障类型状态:无故障、主减速器故障、制动鼓故障、桥壳故障、主减速器和制动鼓同时故障,主减速器和桥壳同时故障,制动鼓和桥壳同时故障,主减速器、制动鼓和桥壳同时故障。
(2)根据八种故障状态的的初始决策向量设计出56个训练样本,理论上已经证明在不限制隐含层节点数的情况下,两层的BP网络就能够实现任意的非线性映射,而且本文的训练样本数量相对较少,两层的网络就可以满足识别的要求,故确定网络的层数为两层。
(3)根据故障状态组成主因子的分析法确定主要有四种主因子信息,依次为油温信号、重量信号、制动鼓温度信号、磨损信号。因为输出层的节点数取决于输入矢量的维数,本文所需输入的是这四个传感器信息,因此确定BP网络输入层的节点数为4个;确定输出层的节点数,识别出1无故障、2主减速器故障、3制动鼓故障、4桥壳故障、5主减速器和制动鼓同时故障,6主减速器和桥壳同时故障,7制动鼓和桥壳同时故障,8主减速器这8种故障状态。希望通过输入的多个传感器信息识别出这八种故障,所以输出层的节点数为8个。
(4)故障状态属于模式识别方面,对于用于模式识别的BP网络可以利用公式来设计。有前面可知输入层节点数ni=4,输出层的节点数n0=8,常数a=5~13之间的常数,根据公式计算出多个隐含层的节点个数,分别将各个不同的隐含层用BP神经网络来加以训练,选择收敛效果最好的隐含层个数。
(5)车桥故障状态识别的训练样本是经过归一化处理得到的,输出范围在[0,1]之间,所以本文选取单极性S函数作为传递函数以保证输出范围在[0,1]之间。
(6)标准BP算法来对网络进行训练,BP算法的基本原理是基于梯度下降法,即通过不断修正层与层之间的权重与阀值来使误差达到设定的要求。
(7)使用软件工具Simulink&Stateflow建立整个***的仿真模型,并使用AUTOSAR作为软件的架构标准,生成浮点模型,浮点模型通过System Test和Simulink DesignVerifier持续跟踪与验证生成与需求吻合的浮点模型,与需求吻合的浮点模型借助Fixed-Point Advisor或Fixed-Point Tool进行自动定标或者手动定标,形成定点模型,Simulink通过定点模型自动生成代码,将生成的代码加载到IDE环境中,编译后下载到硬件平台,测试代码的实时性指标。对照***需求,评估测试结果是否符合要求,进行必要的修正与优化,最终得到产品级的代码,将产品及代码加载到嵌入式***即可完成软件部分编译。
Claims (1)
1.一种智能驱动桥***故障识别与检测的方法,其特征在于,信号采集利用传感器来完成,它们被安在驱动桥的相应位置上;采集的信号经过滤波处理和A/D转换后传输到嵌入式***中,这个***的硬件承载是具有较强运算能力的单片机***;此时嵌入式***中已经载入BP算法,这个算法的编程依据基于模型的设计流程自动生成,不需要人工编写,而且嵌入式***能够反馈实际代码执行的效果传递给基于模型设计模块,及时优化整个代码生成的过程;经过嵌入式***的解析,得出故障的类型,通过报警装置和液晶显示装置实时监控驱动桥的状态,一旦出现故障,立即提醒驾驶员做出必要的操作,其方法为:
(1)确定驱动桥的8种故障类型状态:无故障,主减速器故障,制动鼓故障,桥壳故障,主减速器和制动鼓同时故障,主减速器和桥壳同时故障,制动鼓和桥壳同时故障,主减速器以及制动鼓和桥壳同时故障;
(2)根据八种故障状态的的初始决策向量设计出56个训练样本,在不限制隐含层节点数的情况下,两层的BP网络就能够实现任意的非线性映射,而且本文的训练样本数量相对较少,两层的网络就可以满足识别的要求,故确定网络的层数为两层;
(3)根据故障状态组成主因子的分析法确定主要有四种主因子信息,依次为油温信号、重量信号、制动鼓温度信号、磨损信号;因为输出层的节点数取决于输入矢量的维数,所需输入的是这四个传感器信息,因此确定BP网络输入层的节点数为4个;确定输出层的节点数,识别出1无故障,2主减速器故障,3制动鼓故障,4桥壳故障,5主减速器和制动鼓同时故障,6主减速器和桥壳同时故障,7制动鼓和桥壳同时故障,8主减速器故障这8种故障状态;希望通过输入的多个传感器信息识别出这八种故障,所以输出层的节点数为8个;
(4)故障状态属于模式识别方面,对于用于模式识别的BP网络可以利用公式来设计;有前面可知输入层节点数ni=4,输出层的节点数n0=8,常数a=5~13之间的常数,根据公式计算出多个隐含层的节点个数,分别将各个不同的隐含层用BP神经网络来加以训练,选择收敛效果最好的隐含层个数;
(5)车桥故障状态识别的训练样本是经过归一化处理得到的,输出范围在[0,1]之间,所以本文选取单极性S函数作为传递函数以保证输出范围在[0,1] 之间;
(6)BP算法来对网络进行训练,BP算法的基本原理是基于梯度下降法,即通过不断修正层与层之间的权重与阀值来使误差达到设定的要求;
(7)使用软件工具Simulink&Stateflow建立整个***的仿真模型,并使用AUTOSAR作为软件的架构标准,生成浮点模型,浮点模型通过System Test和Simulink Design Verifier持续跟踪与验证生成与需求吻合的浮点模型,与需求吻合的浮点模型借助Fixed-PointAdvisor或Fixed-Point Tool进行自动定标或者手动定标,形成定点模型,Simulink通过定点模型自动生成代码,将生成的代码加载到IDE环境中,编译后下载到硬件平台,测试代码的实时性指标;对照***需求,评估测试结果是否符合要求,进行必要的修正与优化,最终得到产品级的代码,将产品及代码加载到嵌入式***即可完成软件部分编译。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410413353.4A CN104216397B (zh) | 2014-08-20 | 2014-08-20 | 智能驱动桥***故障识别与检测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410413353.4A CN104216397B (zh) | 2014-08-20 | 2014-08-20 | 智能驱动桥***故障识别与检测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104216397A CN104216397A (zh) | 2014-12-17 |
CN104216397B true CN104216397B (zh) | 2017-01-25 |
Family
ID=52098003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410413353.4A Active CN104216397B (zh) | 2014-08-20 | 2014-08-20 | 智能驱动桥***故障识别与检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104216397B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104898641B (zh) * | 2015-04-20 | 2017-11-03 | 东软集团股份有限公司 | 一种车辆故障检测方法和装置 |
CN108846326A (zh) * | 2018-05-23 | 2018-11-20 | 盐城工学院 | 猪只体态识别方法、装置及电子设备 |
CN112099463A (zh) * | 2019-06-17 | 2020-12-18 | 陕西汉德车桥有限公司 | 一种汽车驱动桥远程诊断*** |
CN111521398A (zh) * | 2020-03-18 | 2020-08-11 | 武汉工程大学 | 基于bp神经网络和主元分析法的齿轮箱故障诊断方法及*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2310473B (en) * | 1993-08-03 | 1998-03-11 | Luk Getriebe Systeme Gmbh | Motor vehicle clutch control |
JPH11251564A (ja) * | 1998-02-27 | 1999-09-17 | Unisia Jecs Corp | 半導体装置 |
KR101246403B1 (ko) * | 2009-10-15 | 2013-03-21 | 주식회사 만도 | 감속기 고장 검출 방법 및 시스템 |
CN201548344U (zh) * | 2009-11-19 | 2010-08-11 | 淮阴工学院 | 轮式装载机驱动桥油温自动检测装置 |
-
2014
- 2014-08-20 CN CN201410413353.4A patent/CN104216397B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN104216397A (zh) | 2014-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106872657B (zh) | 一种多变量水质参数时序数据异常事件检测方法 | |
CN109186813A (zh) | 一种温度传感器自检装置及方法 | |
CN104732276B (zh) | 一种计量生产设施故障在线诊断方法 | |
CN103163877B (zh) | 用于***级故障的根本原因分析和质量监控的方法和*** | |
CN102393882B (zh) | 在线监控和诊断室内空气质量传感器的方法 | |
CN102004486B (zh) | 石化过程中基于定性sdg的故障混合诊断方法 | |
CN104216397B (zh) | 智能驱动桥***故障识别与检测的方法 | |
CN101382439B (zh) | 多参数自确认传感器的状态自确认方法 | |
CN103713628B (zh) | 基于符号有向图和数据重构的故障诊断方法 | |
CN108569607A (zh) | 基于双向门控循环神经网络的电梯故障预警方法 | |
CN110348752B (zh) | 一种考虑环境干扰的大型工业***结构安全性评估方法 | |
CN108845556A (zh) | 一种自动驾驶车辆测试方法及测试装置 | |
CN104632444B (zh) | 加速踏板传感信号的修正方法及装置 | |
CN103728431A (zh) | 基于极限学习机的工业污水cod在线软测量方法 | |
CN104021238A (zh) | 一种铅酸动力电池***故障诊断方法 | |
CN110348150A (zh) | 一种基于相关概率模型的故障检测方法 | |
CN103103570B (zh) | 基于主元相似性测度的铝电解槽况诊断方法 | |
CN110174878A (zh) | 一种无人化智能装备健康与保障综合管理通用*** | |
CN105678423A (zh) | 基于定量结构模型的故障诊断***传感器优化配置方法 | |
KR20190078705A (ko) | 차량의 데이터로부터 부품 노후화 패턴을 분석하여 차량의 고장을 예측하는 시스템 및 그 방법 | |
CN111860839A (zh) | 基于多信号融合及Adam优化算法的岸桥故障监测方法 | |
CN108762238A (zh) | 一种基于dcd的湿法冶金浸出过程故障诊断方法 | |
CN114323671A (zh) | 借助人工智能方法基于对电驱动***的组件的预测诊断来确定剩余使用寿命的方法和设备 | |
CN107015486A (zh) | 一种空调水***调节阀故障智能诊断方法 | |
CN103092762B (zh) | 一种适用于快速软件开发模式的实时软件缺陷检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 272000 Building A3 of Production, Education and Research Base of Jining High-tech Zone, Shandong Province Patentee after: Jining Zhongke Intelligent Technology Co.,Ltd. Address before: 272000 block A3A, industry university research base, No. 9 Haichuan Road, high tech Zone, Jining City, Shandong Province Patentee before: JINING ZHONGKE ADVANCED TECHNOLOGY INSTITUTE Co.,Ltd. |