CN104698399A - 一种车灯故障检测***及其方法 - Google Patents

Abstract

本发明涉及一种车灯故障检测及其方法，属于汽车领域，该***包括信号采集单元采集车灯电路的电压和电流信号；控制器，利用遗传优化BP网络算法对采集单元的数据进行分析处理，监测电路的电压、电流信号不超过***阈值；显示屏，连接控制器，显示控制器的检测输出结果；警示单元，连接控制器，接收到控制器的警示信号后发出警示提醒。本发明可以实时监测车灯是否正常亮的问题并及时提醒驾驶员车灯的亮度降低问题，减少了汽车行驶的安全隐患。同时本发明的汽车检测***中应用了遗传优化后的BP网络算法对采集单元采集的车灯信号数据进行处理，能够优选出实时最优数据到控制器，避免了偶然因素引起的不正常数据传输至控制器引起的误报警情况。

Description

一种车灯故障检测***及其方法

技术领域

本发明涉及汽车领域，特别涉及一种车灯故障检测及其方法。

背景技术

汽车上有各种灯如大灯、尾灯、转向灯和制动灯，但是行驶过程中，车灯是否正常发光，车内没有任何提示，驾驶员只有通过定时检查才能发现故障，不能及时排除车灯故障会给汽车安全驾驶带来很大隐患。

除了车灯不亮这一故障外，车灯的亮度也会由于汽车内部的电路问题或者使用年限问题而变暗，影响车灯的正常使用功能。而且大小灯的灯泡在使用过程中，灯丝经常烧断，导致灯泡烧毁，其原因有电压调节器有故障，电压过高；发电机电枢和磁场线圈间有短路等多种原因。

发明内容

为了解决现有技术中汽车对车灯不亮状况没有提示的不足，本发明提供一种车灯故障检测***及其方法。

本发明的技术方案是：一种车灯故障检测***，该***包括

信号采集单元，连接控制器，采集车灯电路的电压和电流信号； 

控制器，接收信号采集单元的信息，利用遗传优化BP网络算法对采集单元的数据进行分析处理，监测电路的电压、电流信号不超过***阈值；

显示屏，连接控制器，显示控制器的检测输出结果；

警示单元，连接控制器，接收到控制器的警示信号后发出警示提醒。

所述信号采集单元包括电压传感器、电流传感器和亮度传感器。所述信号采集单元中的传感器均匀分布。所述控制器接收不到电压信号数据或者电流信号数据均会发出警示提醒至警示单元。所述控制器设有数据库，数据库用于保存信号采集单元的信息。所述警示单元包括蜂鸣器和警示灯，位于显示屏上。

一种车灯故障检测***方法，该方法步骤包括：

步骤一、采集车灯及车灯电路的信号；

步骤二、利用遗传优化的BP神经网络模型对步骤一采集到的数据进行预处理；

步骤三、网络模型分析处理后的数据；

步骤四，输出检测结果。

所述步骤一中的采集的信号包括车灯电路中的电压、电流信号和车灯的亮度信号。

所述步骤二中的遗传优化BP神经网络模型中利用了遗传优化BP神经网络算法，该算法分为三部分：确定BP神经网络结构，遗传算法优化权值和阈值，BP神经网络训练及预测。

所述遗传优化BP神经网络模型中的遗传算法流程包括：

A.  计算适应度；

B.  选择染色体进行复制；

C.  交叉、变异过程；

D.  产生新群体；

E.  判断是否满足终止条件；

F.  满足终止条件则结束，不满足则返回步骤A。

本发明有如下积极效果：本发明中车灯检测***，可以实时监测车灯是否正常亮的问题并及时提醒驾驶员车灯的亮度降低问题，减少了汽车行驶的安全隐患。同时本发明的汽车检测***中应用了遗传优化后的BP网络算法对采集单元采集的车灯信号数据进行处理，能够优选出实时最优数据到控制器，避免了偶然因素引起的不正常数据传输至控制器引起的误报警情况。

附图说明

图1 是本发明中的车灯检测***的原理框图；

图2 是本发明中的车灯检测***方法的工作流程图；

图3 是本发明中的遗传算法优化的BP神经网络的流程图；

图4 是本发明中的神经网络算法的流程图。

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。

一种车灯故障检测***，如图1所示，该***包括信号采集单元、控制器、显示屏和警示单元，控制器连接信号采集单元、显示屏和警示单元。

***中，信号采集单元连接控制器，采集车灯电路的电压和电流信号，信号采集单元包括电压传感器、电流传感器和亮度传感器，传感器有多个进行信号采集并均匀排布。亮度传感器位于车灯旁实时监测车灯亮度并把亮度信号发送到控制器进行数据分析和处理，电压和电流传感器位于车灯的***电路中，实时监测车灯中的电压、电流情况，并将监测到的数据发送到控制器进行分析电路是否正常。

控制器，接收信号采集单元的信息并发送信号至显示屏和警示单元，控制器中判断采集单元的信号是否小于***正常阈值，一旦大于***阈值则发出警示信号到警示单元和显示屏。如果控制器接收不到采集单元的信号，有可能是车灯电路内部有导线烧断或其他原因形成断路状态，控制器同样要会发送警示信号到警示单元和显示屏。当车灯电路中的电压电流不正常时，有可能是车灯电路负载过大，会导致导线发热致使车灯被烧毁或者影响发动机正常运行。同时车灯的亮度监测同样重要，特别是晚上或多雾或阴暗天气，能见度很低的情况下，由于车灯使用时间过长导致的车灯亮度降低会影响驾驶员的正常驾驶，同时影响周围车辆对本车辆运行方向的判断。所以一旦发现车灯电路中的电压、电流系数检测异常，驾驶员一定要及时维修。本发明***中，控制器中利用遗传优化BP网络算法对采集单元的数据进行分析处理，算法模型的训练利用控制器中设置的数据库数据进行完成数据库中保存信号采集单元的数据和历史数据，方便进行机器训练，控制器中监测电路的电压、电流信号不超过***阈值；利用此算法优化采集单元的数据后，能够优选出实时最优数据到控制器，避免了偶然因素引起的不正常数据传输至控制器引起的误报警情况。

显示屏，连接控制器，显示控制器的检测输出结果，这样会比较明确的显示出哪个车灯不亮或者亮度不够，方便驾驶员的查找和维修。

警示单元，连接控制器，警示单元包括蜂鸣器和警示灯，可以位于显示屏上，接收到控制器的警示信号后发出警示提醒。控制器接收不到电压信号数据或者电流信号数据均会发出警示提醒至警示单元。

一种车灯故障检测***方法，如图2所示，该方法步骤包括：

S01步骤一、采集车灯及车灯电路的信号。步骤一由信号采集单元完成采集信号任务主要包括电压传感器、电流传感器和亮度传感器，采集车灯的亮度信号和车灯电路的电压电流信号，实时监测车灯中的电压、电流情况，并将监测到的数据发送到控制器进行分析电路是否正常。

S02步骤二、利用遗传优化的BP神经网络模型对步骤一采集到的数据进行预处理，遗传优化的BP神经网络模型位于***控制器内部，对控制器接收到的数据处理分析。

遗传优化的BP神经网络模型首先对采集到的数据进行预处理，预处理是对传感器测得的数据进行归一化处理，归一化可以加快训练网络的收敛性，归一化的具体作用是归纳统一样本的统计分布性。无论是为了建模还是为了计算，首先基本度量单位要同一，方便下面遗传BP神经网络算法的使用。

S03步骤三、网络模型分析处理后的数据。遗传优化的BP神经网络模型主要是对数据进行遗传优化的BP神经网络算法处理分析，选出最优、最准确数据。

遗传BP神经网络算法主要分为三部分：确定BP神经网络结构；遗传算法优化权值和阈值；BP神经网络训练及预测。其流程如图3、图4所示，首先确定神经网络的拓扑结构，然后对神经网络的权值和阈值进行编码得到初始种群，经过神经网络算法部分处理后进入遗传算法处理部分，在遗传算法中产生的新群体不能满足终止条件时继续从神经网络算法部分运行，如果满足终止条件则进行解码处理得到最佳神经网络权值和阈值。

遗传优化后的BP神经网络算法中的BP神经网络部分流程图如图4所示，对神经网络权值和阈值编码得到初始种群后，解码得到权值和阈值，将权值和阈值赋给新建的BP网络，使用训练样本训练网络，而后使用测试样本测试网络，最后进行测试误差，继续进入遗传算法流程中。网络训练是一个不断修正权值和阑值的过程，通过训练，使得网络的输出误差越来越小。

BP 神经网络的学习算法是基于梯度下降的，因此容易局部极小值，同时存在收敛速度慢及网络参数和训练参数难以确定等缺点。遗传算法是一种借鉴生物界自然选择和自然遗传机制的搜索算法，它能在复杂而庞大的搜索空间中寻找最优或准最优解，且有算法简单、适用、鲁棒性强等优点，它的应用目前很成熟。基于BP神经网络和遗传算法的优缺点，把二者结合起来使它们的优缺点互补，有很大的进步。

BP神经网络结构是拓扑结构，是根据样本的输入/输出参数个数确定的，这样就可以确定遗传算法优化参数的个数，从而确定种群个体的编码长度。因为遗传算法优化参数是BP神经网络的初始权值和阑值，只要网络结构已知，权值和闻值的个数就已知了。神经网络的权值和阈值一般是通过随机初始化为[-0.5，0.5]区间的随机数，这个初始化参数对网络训练的影响很大，但是又无法准确获得，对于相同的初始权重值和阈值，网络的训练结果是一样的，引入遗传算法就是为了优化出最佳的初始权值和阈值，进而选择出最佳数据。

遗传算法优化BP神经网络是用遗传算法来优化BP神经网络的初始权重值和阂值，使优化后的BP神经网络能够更好地进行样本预测。

遗传算法优化BP神经网络中的遗传算法要素包括：

A．计算适应度。计算适用度值：个体适应度采用网络的函数误差，即误差大的个体其适应度小，具体表示为适应度为网络误差函数的倒数。本发明为了使BP网络在预测时，预测值与期望值的残差尽可能小，所以选择预测样本的预测值与期望值的误差矩阵的范数作为目标函数的输出。

B.选择染色体进行复制。选择染色体复制：个体适应度的计算完成后，选择适应度大的个体遗传到下一代，使权值越来越接近最优解。

C.交叉、变异过程。交叉、变异过程 ：采用基于概率的双向随机搜索技术，以一定的概率，随机地从父本种群中选取两条染色体进行交叉操作，当新染色体使当前解质量提高时，就接收这个被改进的解作为新的当前解。

D．产生新群体。

E.判断是否满足终止条件。

F.满足终止条件则结束，不满足则返回步骤A。在本发明中利用遗传算法优化BP神经网络，则步骤F返回至BP神经网络部分。

各传感器检测到的数据经过遗传优化BP神经网络模型处理后，选择出最优、最佳数据与***阈值进行对比，判断传感器检测数据是否小于阈值，传感器监测部位是否正常工作，如果没有正常工作，则控制器输出检测结果。

S04步骤四，输出检测结果。

控制器中的遗传优化的BP神经网络模型分析过传感器的数据后，控制器对数据进行判断后，会输出检测结果在显示屏上，如大灯、尾灯、转向灯和制动灯运行正常或者亮度降低或者电路断路等等情况均会在显示屏显示出来，同时如果是车灯故障问题，警示单元的警示灯和蜂鸣器也会进行闪烁和发出响声来提醒驾驶员的车灯出现故障问题，从而增加显示安全性。

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 (10)

1.一种车灯故障检测***，其特征在于，该***包括：

信号采集单元，连接控制器，采集车灯电路的电压和电流信号； 

控制器，接收信号采集单元的信息，利用遗传优化BP网络算法对采集单元的数据进行分析处理，监测电路的电压、电流信号不超过***阈值；

显示屏，连接控制器，显示控制器的检测输出结果；

警示单元，连接控制器，接收到控制器的警示信号后发出警示提醒。

2.根据权利要求1所述的车灯故障检测***，其特征在于，所述信号采集单元包括电压传感器、电流传感器和亮度传感器。

3.根据权利要求2所述的车灯故障检测***，其特征在于，所述信号采集单元中的传感器均匀分布。

4.根据权利要求1所述的车灯故障检测***，其特征在于，所述控制器接收不到电压信号数据或者电流信号数据均会发出警示提醒至警示单元。

5.根据权利要求1所述的车灯故障检测***，其特征在于，所述控制器设有数据库，数据库用于保存信号采集单元的信息。

6.根据权利要求1所述的车灯故障检测***，其特征在于，所述警示单元包括蜂鸣器和或警示灯，位于显示屏上。

7.一种车灯故障检测***方法，其特征在于，该方法步骤包括：

步骤一、采集车灯及车灯电路的信号；

步骤二、利用遗传优化的BP神经网络模型对步骤一采集到的数据进行预处理；

步骤三、网络模型分析处理后的数据；

步骤四、输出检测结果。

8.根据权利要求7所述的车灯故障检测***方法，其特征在于，所述步骤一中的采集的信号包括车灯电路中的电压、电流信号和车灯的亮度信号。

9.根据权利要求7所述的车灯故障检测***方法，其特征在于，所述步骤二中的遗传优化BP神经网络模型中利用了遗传优化BP神经网络算法，该算法分为三部分：确定BP神经网络结构，遗传算法优化权值和阈值，BP神经网络训练及预测。

10.根据权利要求7所述的车灯故障检测***方法，其特征在于，所述遗传优化BP神经网络模型中的遗传算法流程包括：

计算适应度；

选择染色体进行复制；

交叉、变异过程；

产生新群体；

判断是否满足终止条件；

满足终止条件则结束，不满足则返回步骤A。