CN104675988A - 整车电液控制故障诊断方法 - Google Patents
整车电液控制故障诊断方法 Download PDFInfo
- Publication number
- CN104675988A CN104675988A CN201410586448.6A CN201410586448A CN104675988A CN 104675988 A CN104675988 A CN 104675988A CN 201410586448 A CN201410586448 A CN 201410586448A CN 104675988 A CN104675988 A CN 104675988A
- Authority
- CN
- China
- Prior art keywords
- rvm
- ehc
- vehicle
- car load
- individuality
- 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
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16H—GEARING
- F16H61/00—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing
- F16H61/12—Detecting malfunction or potential malfunction, e.g. fail safe; Circumventing or fixing failures
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16H—GEARING
- F16H61/00—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing
- F16H61/12—Detecting malfunction or potential malfunction, e.g. fail safe; Circumventing or fixing failures
- F16H2061/1256—Detecting malfunction or potential malfunction, e.g. fail safe; Circumventing or fixing failures characterised by the parts or units where malfunctioning was assumed or detected
- F16H2061/126—Detecting malfunction or potential malfunction, e.g. fail safe; Circumventing or fixing failures characterised by the parts or units where malfunctioning was assumed or detected the failing part is the controller
- F16H2061/1264—Hydraulic parts of the controller, e.g. a sticking valve or clogged channel
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种整车电液控制故障诊断方法,属于汽车技术领域,本发明方法包括如下步骤:步骤一:预处理:对整车电液控制***参数的先验数据进行归一化处理,并建立所述***参数与整车电液控制状态之间的对应关系;步骤二:机器训练:选择合适的核函数并对其超参数进行遗传算法优化训练,建立合适的RVM 模型;步骤三:故障诊断:采用“一对一”RVM 分类器进行待测样本故障诊断并输出结果。本发明的检测方法利用***参数分析法,通过相关向量训练归一化的电液控制***的样本数据,建立了参数优化的RVM 模型,利用该模型进行了整车电液控制***故障检测实验,该方法鲁棒性好,泛化能力加强。
Description
技术领域
本发明属于汽车技术领域,具体涉及一种整车电液控制故障诊断方法。
背景技术
随着自动变速箱产品的日渐丰富,市场上自动变速车型种类越来越多,并得到了很多顾客的喜爱和肯定。自动变速箱产品的售后服务技术支持、检测维修和质量跟踪已成为汽车 4S 店和汽车厂商所要面临的重要任务。
自动变速箱电液控制回路是变速箱产品的重要的子***,其结构复杂,具体包括电磁阀、阀体、液压回路、控制阀等零部件,是自动变速箱完成各种功能任务的关键执行机构。所以,自动变速箱电液控制回路的故障诊断是变速箱产品自我诊断服务的重点和难点,急需相应的装置及方法支持。
发明内容
本发明提供一种整车电液控制故障诊断方法,利用采集整车电液控制***参数和建立RVM模型,判断是否存在故障。
本发明的技术方案是:一种整车电液控制故障诊断方法,包括如下步骤:步骤一:预处理: 对整车电液控制***参数的先验数据进行归一化处理,并建立所述***参数与整车电液控制状态之间的对应关系;步骤二:机器训练: 选择合适的核函数并对其超参数进行遗传算法优化训练,建立合适的RVM 模型;步骤三:故障诊断: 采用“一对一”RVM 分类器进行待测样本故障诊断并输出结果。所述步骤二中,核函数为高斯径向基核函数。所述步骤一中,整车电液控制***参数为制动压力、转向油压、工作油压、燃油油位。所述步骤二中,遗传算法优化RVM超参数的步骤为: a. 采用实数编码方案对初始权值和阈值进行编码,得到 N 个码串,每个码串就对应着一组RVM算法的权值和阈值;b.输入训练样本,计算它的误差函数值,以误差平方和倒数来评价连接权( 阈值) 的优劣,即 ,其中;c.通过选择算子让适应度大的个体进入下一代种群;d.以交叉率和变异率对个体进行交叉和变异操作,产生出新的个体;e.计算新个体的适应度,同时将新个体***到种群中;f.如果找到的个体达到适应度标准,则结束算法,否则转步骤 b;g.以遗传算法计算出的优化初值作为初始权值,用RVM算法训练网络直到得出诊断结果 。
本发明有如下积极效果:利用采集整车电液控制***参数和建立RVM模型,判断是否存在故障。本发明方法既有RVM算法的学习能力和鲁棒性,又有遗传算法的很强的全局搜索能力。
附图说明
图1为本发明具体实施方式的方法流程图。
具体实施方式
下面对照附图,通过对实施例的描述,本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等,作进一步详细的说明,以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
本发明的诊断***包括制动压力传感器、转向油压传感器、工作油压传感器、燃油油位传感器和中央处理器,制动压力传感器、转向油压传感器、工作油压传感器、燃油油位传感器将检测到的制动压力、转向油压、工作油压、燃油油位的实时数据。通过中央处理器利用内部设定门限对制动压力、转向油压、工作油压、燃油油位进行对比,由于检测到的制动压力、转向油压、工作油压、燃油油位与整车电液控制故障之间存在一定的非线性关系,因此可以利用机器学习算法建立他们之间的对应关系,从而实现故障诊断。但由于每次机器训练结果的波动较大,容易出现过学习或欠学习现象,使判断结果出现偏差,诊断识别结果的准确性和鲁棒性依然有待提高。本发明提出的整车电液控制诊断方法是基于相关向量机( relevance vector machine,RVM) 的故障识别技术,利用遗传算法优化 RVM 核函数的超参数,通过“一对一”分类器建立各传感器数据与发动机运行状态之间的关系,提高了故障诊断的精度和可靠性。
根据汽车故障诊断知识可知,制动压力、转向油压、工作油压、燃油油位与整车电液控制故障诊断息息相关,因此可以根据传感器参数判断整车电液故障诊断,根据这一理论,可以利用机器学习方法对先验数据样本进行学习训练,将训练好的机器诊断模型用于整车电液控制故障的分析诊断。
RVM 算法是通过“核函数”将低维空间的非线性问题映射到高维空间并转化成线性问题,核函数的巧妙之处是映射过程并未增加很多的计算量。与相对更早提出的SVM 算法相比,RVM 算法中核函数的选择不受Mercer 条件的限制,由于其解的稀疏性和概率性,理论上讲是机器学习方法中泛化性能最突出的算法,对小样本的机器学习尤其有效。
该方法得到泛化性能优秀的稀疏解,是建立在合适的核函数选择及参数设置的基础上。为了得到最佳设置,本文对RVM 超参数的优化采用了遗传算法,并将“遗传算法-RVM 模型”应用于RVM 发动机故障诊断之中。
基于“遗传算法-RVM 模型”的故障诊断***组成可以分为3个主要过程:
(1)预处理: 对制动压力、转向油压、工作油压、燃油油位的先验数据进行归一化处理,并建立制动压力、转向油压、工作油压、燃油油位与整车电液控制状态之间的对应关系;
2) 机器训练: 选择合适的核函数并对其超参数进行遗传算法优化训练,建立合适的RVM 模型;
3) 故障诊断: 采用“一对一”RVM 分类器进行待测样本故障诊断并输出结果。
常用的RVM 核函数有4 种:
线性核函数:
K( x,z) = x·z ( 1)
多项式核函数:
K( x,z) = [ s( x·z) + c] q ( 2)
高斯径向基( RBF) 核函数:
K( x,z ) = exp(-λ‖x - z‖2 ) ( 3)
Sigmoid 核函数:
K (x,z) = tanh[s( x·z) + c] ( 4)
选择合适的核函数是该方法能成功使用的关键,通过测试验证训练,比较各自泛化性能,本文选择RBF 核函数作为故障诊断的RVM 模型。
遗传算法优化RVM算法过程如下:遗传算法优化RVM算法主要是利用遗传算法的搜索不依赖梯度信息,只需要求解函数在约束条件下的可行解,对目标函数的适用条件很低,无论目标函数是否连续线性皆在适用范围内,且算法搜索全局性强,易得到最优解。因此遗传算法与RVM算法相结合,则可以充分利用两者的优点,使新算法既有RVM算法的学习能力和鲁棒性,又有遗传算法的很强的全局搜索能力。一般来说,遗传算法和RVM算法的结合可以在 3 个层面上进行,一是对网络连接权及阈值的优化; 二是对网络结构的优化; 三是对网络规则的优化。
a. 采用实数编码方案对初始权值和阈值进行编码,得到 N 个码串,每个码串就对应着一组RVM算法的权值和阈值。
b. 输入训练样本,计算它的误差函数值,以误差平方和倒数来评价连接权( 阈值) 的优劣,即,其中。误差越小,说明适应度越大。
c. 通过选择算子让适应度大的个体进入下一代种群。
d. 以交叉率和变异率对个体进行交叉和变异操作,产生出新的个体。
e. 计算新个体的适应度,同时将新个体***到种群中。
f. 如果找到的个体达到适应度标准,则结束算法,否则转步骤 b。
g. 以遗传算法计算出的优化初值作为初始权值,用RVM算法训练网络直到得出诊断结果 。
上面结合附图对本发明进行了示例性描述,显然本发明具体实现并不受上述方式的限制,只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进,或未经改进将本发明的构思和技术方案直接应用于其它场合的,均在本发明的保护范围之内。
Claims (4)
1.一种整车电液控制故障诊断方法,其特征在于:包括如下步骤:
步骤一:预处理: 对整车电液控制***参数的先验数据进行归一化处理,并建立所述***参数与整车电液控制状态之间的对应关系;
步骤二:机器训练: 选择合适的核函数并对其超参数进行遗传算法优化训练,建立合适的RVM 模型;
步骤三:故障诊断: 采用“一对一”RVM 分类器进行待测样本故障诊断并输出结果。
2.根据权利要求1所述的整车电液控制故障诊断方法,其特征在于:所述步骤二中,核函数为高斯径向基核函数。
3.根据权利要求1所述的整车电液控制故障诊断方法,其特征在于:所述步骤一中,整车电液控制***参数为制动压力、转向油压、工作油压、燃油油位。
4.根据权利要求1所述的整车电液控制故障诊断方法,其特征在于:所述步骤二中,遗传算法优化RVM超参数的步骤为:
a. 采用实数编码方案对初始权值和阈值进行编码,得到 N 个码串,每个码串就对应着一组RVM算法的权值和阈值;
b.输入训练样本,计算它的误差函数值,以误差平方和倒数来评价连接权( 阈值) 的优劣,即 ,其中;
c.通过选择算子让适应度大的个体进入下一代种群;
d.以交叉率和变异率对个体进行交叉和变异操作,产生出新的个体;
e.计算新个体的适应度,同时将新个体***到种群中;
f.如果找到的个体达到适应度标准,则结束算法,否则转步骤 b;
g.以遗传算法计算出的优化初值作为初始权值,用RVM算法训练网络直到得出诊断结果 。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410586448.6A CN104675988A (zh) | 2014-10-28 | 2014-10-28 | 整车电液控制故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410586448.6A CN104675988A (zh) | 2014-10-28 | 2014-10-28 | 整车电液控制故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104675988A true CN104675988A (zh) | 2015-06-03 |
Family
ID=53311416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410586448.6A Pending CN104675988A (zh) | 2014-10-28 | 2014-10-28 | 整车电液控制故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104675988A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868777A (zh) * | 2016-03-25 | 2016-08-17 | 北京理工大学 | 一种基于优化的相关向量机装甲车动力舱故障诊断方法 |
CN107045739A (zh) * | 2016-02-05 | 2017-08-15 | 福特全球技术公司 | 基于收集的车辆数据调整诊断测试 |
CN112085100A (zh) * | 2020-09-09 | 2020-12-15 | 中国北方车辆研究所 | 一种适用于at产品的基于rvm的故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5204816A (en) * | 1990-03-29 | 1993-04-20 | Eaton Corporation | Throttle error detection logic |
US5609067A (en) * | 1994-10-14 | 1997-03-11 | Caterpillar Inc. | Transmission control fault detection |
US20040010361A1 (en) * | 2002-07-15 | 2004-01-15 | Georg Gierer | Device for emergency operation of motor vehicle with automatic transmission |
CN102762901A (zh) * | 2009-12-16 | 2012-10-31 | 艾里逊变速箱公司 | 探测自动变速器中与离合器相关的故障的***和方法 |
-
2014
- 2014-10-28 CN CN201410586448.6A patent/CN104675988A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5204816A (en) * | 1990-03-29 | 1993-04-20 | Eaton Corporation | Throttle error detection logic |
US5609067A (en) * | 1994-10-14 | 1997-03-11 | Caterpillar Inc. | Transmission control fault detection |
US20040010361A1 (en) * | 2002-07-15 | 2004-01-15 | Georg Gierer | Device for emergency operation of motor vehicle with automatic transmission |
CN102762901A (zh) * | 2009-12-16 | 2012-10-31 | 艾里逊变速箱公司 | 探测自动变速器中与离合器相关的故障的***和方法 |
Non-Patent Citations (2)
Title |
---|
李敏君: "基于遗传算法的故障诊断研究", 《微计算机信息》 * |
毕晓君,柳长源,卢迪: "基于PSO-RVM算法的发动机故障诊断", 《哈尔滨工程大学学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107045739A (zh) * | 2016-02-05 | 2017-08-15 | 福特全球技术公司 | 基于收集的车辆数据调整诊断测试 |
CN105868777A (zh) * | 2016-03-25 | 2016-08-17 | 北京理工大学 | 一种基于优化的相关向量机装甲车动力舱故障诊断方法 |
CN105868777B (zh) * | 2016-03-25 | 2019-05-24 | 北京理工大学 | 一种基于优化的相关向量机装甲车动力舱故障诊断方法 |
CN112085100A (zh) * | 2020-09-09 | 2020-12-15 | 中国北方车辆研究所 | 一种适用于at产品的基于rvm的故障诊断方法 |
CN112085100B (zh) * | 2020-09-09 | 2024-04-23 | 中国北方车辆研究所 | 一种适用于at产品的基于rvm的故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shao et al. | Rolling bearing fault diagnosis using adaptive deep belief network with dual-tree complex wavelet packet | |
CN104712542B (zh) | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 | |
CN107884475A (zh) | 一种基于深度学习神经网络的城市燃气管道故障诊断方法 | |
CN109299705A (zh) | 基于一维深度残差卷积神经网络的旋转机械故障诊断方法 | |
CN112033463B (zh) | 一种核动力设备状态评估与预测一体化方法和*** | |
CN107842713B (zh) | 基于knn-svr的海底管道漏磁数据缺失插补方法 | |
CN104897403A (zh) | 一种基于排列熵和流形改进动态时间规整的自适应故障诊断方法 | |
Wang et al. | A combination of residual and long–short-term memory networks for bearing fault diagnosis based on time-series model analysis | |
CN105758645A (zh) | 一种基于概率神经网络的发动机故障诊断*** | |
Vong et al. | Simultaneous-fault detection based on qualitative symptom descriptions for automotive engine diagnosis | |
Guan et al. | Rolling bearing fault diagnosis based on information fusion and parallel lightweight convolutional network | |
CN105487009A (zh) | 基于k均值的RBF神经网络算法的电机故障诊断方法 | |
CN110991471B (zh) | 一种高速列车牵引***故障诊断方法 | |
CN109964182A (zh) | 用于车辆分析的方法和*** | |
CN113538353B (zh) | 基于单通道图数据增强和迁移训练残差网络的五相异步电动机滚动轴承故障诊断方法 | |
CN103559542A (zh) | 基于先验知识的可拓神经网络模式识别方法 | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN115184054B (zh) | 机械设备半监督故障检测分析方法、装置、终端及介质 | |
CN104675988A (zh) | 整车电液控制故障诊断方法 | |
Ren et al. | A deep learning method for fault detection of autonomous vehicles | |
Ye et al. | A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring | |
CN104635146B (zh) | 基于随机正弦信号测试和hmm的模拟电路故障诊断方法 | |
Wang et al. | Predictability of vehicle fuel consumption using LSTM: Findings from field experiments | |
CN104216397B (zh) | 智能驱动桥***故障识别与检测的方法 | |
Jia et al. | Multitask convolutional neural network for rolling element bearing fault identification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150603 |
|
RJ01 | Rejection of invention patent application after publication |