CN116880454A - 车辆故障智能诊断***与方法 - Google Patents
车辆故障智能诊断***与方法 Download PDFInfo
- Publication number
- CN116880454A CN116880454A CN202310946025.XA CN202310946025A CN116880454A CN 116880454 A CN116880454 A CN 116880454A CN 202310946025 A CN202310946025 A CN 202310946025A CN 116880454 A CN116880454 A CN 116880454A
- Authority
- CN
- China
- Prior art keywords
- fault
- vehicle
- data
- unit
- neural network
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000003062 neural network model Methods 0.000 claims abstract description 64
- 238000012423 maintenance Methods 0.000 claims abstract description 41
- 238000004364 calculation method Methods 0.000 claims abstract description 28
- 230000005540 biological transmission Effects 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims description 27
- 238000011156 evaluation Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 13
- 230000008447 perception Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 abstract description 24
- 230000002159 abnormal effect Effects 0.000 abstract description 7
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000004927 fusion Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000000737 periodic effect Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013598 vector Substances 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及车辆检测技术领域,提供一种车辆故障智能诊断***包括数据采集单元、传输单元、云端服务器,采用云端服务器中的神经网络模型对不同车辆中数据采集单元采集的车辆实时状态数据进行故障预测计算,并融合故障树模型中的故障节点进行匹配计算,最终将故障节点的故障代码经过所述传输单元发送至车辆中的智能诊断单元,执行诊断单元读取所述智能诊断单元中的故障代码,之后进行车辆故障诊断和维护。本发明还公开一种方法,该***和方法不仅能够基于实时、真实的车辆运行状态数据进行分析,及时地反映出车辆所有异常状态和潜在故障,能够全面地反映出车辆的综合性能,不至于造成漏诊断、误诊断、多次维修等问题。
Description
技术领域
本发明涉及车辆检测技术领域,特别涉及一种车辆故障智能诊断***与方法。
背景技术
车辆故障智能诊断***是一种利用人工智能技术来检测、分析和诊断车辆故障的***。它通过收集车辆传感器数据、故障码以及其他相关信息,利用机器学习和数据挖掘等算法进行分析和模式识别,从而快速准确地确定车辆故障的原因和位置。这种智能诊断***可以帮助汽车维修技师更快速地定位和解决车辆问题,提高维修效率和质量。同时,它也可以帮助车主更好地理解车辆故障,并及时采取正确的应对措施,避免进一步损坏或安全隐患。车辆故障智能诊断***还可以实现远程诊断和在线监测,在车辆出现故障时及时发送警报并提供相应的解决方案。这种***的发展将大大简化车辆维修流程,降低维修成本,提高车辆的可靠性和安全性。
CN202453715U公开了一种车辆故障智能诊断***,所述的车辆故障智能诊断***还包括设置在诊断中心的诊断中心主机和设置在配件设备供应商售后支持处的配件维修服务电脑,所述的维修服务分机通过通讯网络与所述的诊断中心主机连接,所述的诊断中心主机还通过通讯网络与所述的配件维修服务电脑连接。
CN116304629A公开了一种机械设备故障智能诊断方法、***、电子设备以及存储介质。所述方法包括:获取不同机械设备的数据,根据环境工况将故障数据划分为离线训练集合D~P和在线测试集合D~P;采集振动信号进行等长度分割并进行时频域特征提取,得到初始状态环境E,采用AMRMR方法选M个优化特征,构建优化后的状态环境E;NM采用SVDD对多工况训练数据进行聚类分析,计算各类别超球体的中心间距矩阵,得到相应的故障辨识奖励矩阵,结合域辨识奖励,设置分治奖励策略;构建域泛化Q深度网络,采用优先经验回放机制,抽取训练样本对域泛化Q网络进行训练,观测网络输出的域标签与故障标签是否与训练样本一致,按照分治奖励原则进行奖励赋值,结合损失函数,使用梯度下降算法更新泛Q深度网络参数;采用训练好的DGD3QN对D进行测试,在线寻求满足回报的控制策略,输出回报对应的故障标签。
CN115511136B公开了一种基于层次分析和故障树的设备故障辅助诊断方法及***,包括:确定目标故障事件,从历史故障信息库中匹配对应的故障因素,基于各故障因素的关联关系建立对应的故障树模型,目标故障事件是指设备的故障事件中需要进行诊断分析的对象;从历史故障信息库中获取故障树中各故障因素对应的周期因素概率,计算各故障因素的期望损失值E1;获取各故障因素对应的保障成本P,对各故障因素进行层次分析处理后,生成保障资源分配信息;其中,从历史故障信息库中获取故障树中各故障因素对应的周期因素概率,计算各故障因素的期望损失值E1的步骤中,包括:将故障树模型输入至故障分割模型中,确定故障树模型的所有最小割集,将最小割集中所有故障因素同时发生的事件定义为基本事件,当任一基本事件发生时,目标故障事件发生;基于各故障因素的周期因素概率计算各基本事件的周期事件概率;从历史故障信息库中获取各基本事件的平均损失数据,计算各故障因素的期望损失值E1;其中,获取各故障因素对应的保障成本P,对各故障因素进行层次分析处理后,生成保障资源分配信息的步骤中,包括:获取各故障因素对应的保障成本P,计算各故障因素对应的保障期望损失值E2;基于期望损失值E1、保障期望损失值的差值E2和保障成本P,计算各故障因素的保障性价比A=(E1-E2)/P,基于各故障因素的保障性价比A生成保障排序信息;以降低目标故障事件发生概率为决策目标,基于各故障因素的保障性价比A、周期事件概率、影响参数对目标故障事件进行层次分析处理,生成层次分析结果,确定各故障因素的保障优先度;基于层次分析结果和保障资源,确定保障资源分配信息,生成保障流程计划;保障流程计划是指用于记录基于层次分析结果和可供分配的保障资源所生成的,供维护人员在执行设备维护工作时参考的操作流程信息的计划。
随着车辆智能化程度越来越高,在现有检测和诊断技术中,仍然采用车载自诊断***(OBD,On-Board Diagnostics)进行被动的检测和维护,即当车辆出现故障后进行检测和维护,不仅诊断效率低、效果差,而且易于造成漏诊断、误诊断、多次维修等问题。
发明内容
经过长期实践发现,在现有技术中,当车辆出故障后,往往需要将车辆运送至指定的维修点,采用OBD/OBDII等诊断和检测方法对车辆故障现象进行模拟测试,在测试过程采集数据,不能实时、真实地获取车辆实际运行状态数据,所以不能完全反映出车辆所有异常状态,造成漏诊断、误诊断、多次维修等;车辆检测质量因人而异,常造成不同的人员检测出完全不同的结果,对检测方法、检测人员的要求高且依赖度高;更不能基于车辆实时状态数据进行故障***诊断等。
有鉴于此,本发明提供了一种车辆故障智能诊断***,所述车辆故障智能诊断***包括,
数据采集单元,所述数据采集单元至少包括智能感知模块,所述智能感知模块用于车辆实时状态数据的获取;
传输单元,用于将所述智能感知模块获取的车辆实时状态数据传输至云端服务器;
云端服务器,用于接收车辆实时状态数据存储至对应的数据库中,并进行处理计算;所述云端服务器包括神经网络模型、故障树模型、评价反馈单元,所述神经网络模型由车辆历史数据作为输入数据训练得到;所述故障树模型是基于车辆设计、生产、维护过程数据建立得到;
所述神经网络模型,用于输入车辆实时状态数据,进行计算后输出故障预测数据,发送至评价反馈单元;
所述评价反馈单元,用于将故障预测数据与故障树模型中的故障节点进行匹配计算,并将故障节点的故障代码经过所述传输单元发送至车辆中的智能诊断单元;
所述故障树模型,用于结构化已有的故障节点并存储;
所述智能诊断单元,用于接收来自于所述传输单元的故障代码;并与线下客户端的执行诊断单元通信;
执行诊断单元,用于读取所述智能诊断单元中的故障代码,根据故障代码对应的诊断流程,进行车辆故障诊断和维护。
在一个实施例中,所述神经网络模型至少包括1个中间层的神经网络模型。
在一个实施例中,将车辆历史运行数据分为训练集和测试集,针对所述神经网络模型进行训练;当所述神经网络模型准确率大于阈值后,则输出神经网络模型。
在一个实施例中,将故障树模型中的故障节点数据用于神经网络模型的测试集。
在一个实施例中,当所述评价反馈单元将故障预测数据与故障树模型中的故障节点进行匹配计算后,若故障树模型不存在故障节点,则在故障树模型中新建故障节点。
在一个实施例中,所述智能诊断单元与所述执行诊断单元包括无线连接。
本发明还公开了一种用于如上述的车辆故障智能诊断***的方法,所述方法包括,
步骤S1,车辆通过数据采集单元中的智能感知模块获取实时状态数据,其中,实时状态数据至少包括振动、温度、转速以及电压、电流、功率;
步骤S2,将实时状态数据传输至云端服务器中,所述云端服务器接收车辆实时状态数据存储至对应的数据库中,并进行处理计算;其中,所述云端服务器的神经网络模型将实时状态数据进行预处理后,输入神经网络模型进行计算得到故障预测数据,发送至评价反馈单元;
步骤S3,所述评价反馈单元将故障预测数据与故障树模型中的故障节点进行匹配计算,得到故障代码,将故障节点的故障代码经过所述传输单元发送至车辆中的智能诊断单元;
步骤S4,线下客户端的执行诊断单元读取所述智能诊断单元中的故障代码,根据故障代码对应的诊断流程,进行车辆故障诊断和维护。
在一个实施例中,在步骤S2中,由车辆历史数据作为输入数据训练得到神经网络模型;基于车辆设计、生产、维护过程数据建立得到故障树模型;将车辆历史数据分为训练集和测试集,对神经网络模型进行训练后准确率达到阈值后,输出神经网络模型用于车辆实时状态数据的故障预测。
本发明还公开了一种电子设备,至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的方法。
本发明还公开了一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行本申请如上述的方法。
相对于现有技术,本发明提供的车辆故障智能诊断***包括数据采集单元、传输单元、云端服务器,采用云端服务器中的神经网络模型对不同车辆中数据采集单元采集的车辆实时状态数据进行故障预测计算,并融合故障树模型中的故障节点进行匹配计算,最终将故障节点的故障代码经过所述传输单元发送至车辆中的智能诊断单元,执行诊断单元读取所述智能诊断单元中的故障代码,根据故障代码对应的诊断流程,进行车辆故障诊断和维护。本发明还公开了一种用于车辆故障智能诊断***的方法,该***和方法不仅能够基于实时、真实的车辆运行状态数据进行分析,采用神经网络模型与故障树模型融合,快速及时地反映出车辆所有异常状态和潜在故障,能够完整全面地反映出车辆的综合性能,不至于造成漏诊断、误诊断、多次维修等问题。由于车辆的诊断和检测过程由云端服务器根据神经网络模型融合故障树模型做出,不仅能够在车辆进入维护流程前,既可提前快速地、预测性地获取车辆故障信息,而且检测维护人员通过执行诊断单元直接读取车辆中所述智能诊断单元中的故障代码,能够减轻检测人员的依赖程度与工作强度,提高车辆诊断的智能化、准确性和效率。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施方式及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明一种实施方式的车辆故障智能诊断***各模块示意图;
图2为本发明一种实施方式的车辆故障智能诊断方法流程示意图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中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的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
现有技术中,当车辆出故障后,往往需要将车辆运送至指定的维修点,采用OBD/OBDII等诊断和检测方法对车辆故障现象进行模拟测试,在测试过程采集数据,不能实时、真实地获取车辆实际运行状态数据,所以不能完全反映出车辆所有异常状态,造成漏诊断、误诊断、多次维修等;车辆检测质量因人而异,常造成不同的人员检测出完全不同的结果,对检测方法、检测人员的要求高且依赖度高;更不能基于车辆实时状态数据进行故障***诊断等技术问题。如图1-2所示,本发明提供一种所述车辆故障智能诊断***包括,数据采集单元,所述数据采集单元至少包括智能感知模块,所述智能感知模块用于车辆实时状态数据的获取;
传输单元,用于将所述智能感知模块获取的车辆实时状态数据传输至云端服务器;
云端服务器,用于接收车辆实时状态数据存储至对应的数据库中,并进行处理计算;所述云端服务器包括神经网络模型、故障树模型、评价反馈单元,所述神经网络模型由车辆历史数据作为输入数据训练得到;所述故障树模型是基于车辆设计、生产、维护过程数据建立得到;
所述神经网络模型,用于输入车辆实时状态数据,进行计算后输出故障预测数据,发送至评价反馈单元;
所述评价反馈单元,用于将故障预测数据与故障树模型中的故障节点进行匹配计算,并将故障节点的故障代码经过所述传输单元发送至车辆中的智能诊断单元;
所述故障树模型,用于结构化已有的故障节点并存储;
所述智能诊断单元,用于接收来自于所述传输单元的故障代码;并与线下客户端的执行诊断单元通信;
执行诊断单元,用于读取所述智能诊断单元中的故障代码,根据故障代码对应的诊断流程,进行车辆故障诊断和维护。
本发明提供的车辆故障智能诊断***包括数据采集单元、传输单元、云端服务器,采用云端服务器中的神经网络模型对不同车辆中数据采集单元采集的车辆实时状态数据进行故障预测计算,并融合故障树模型中的故障节点进行匹配计算,最终将故障节点的故障代码经过所述传输单元发送至车辆中的智能诊断单元,执行诊断单元读取所述智能诊断单元中的故障代码,根据故障代码对应的诊断流程,进行车辆故障诊断和维护。该***不仅能够基于实时、真实的车辆运行状态数据进行分析,采用神经网络模型与故障树模型融合,快速及时地反映出车辆所有异常状态和潜在故障,能够完整全面地反映出车辆的综合性能,不至于造成漏诊断、误诊断、多次维修等问题。由于车辆的诊断和检测过程由云端服务器根据神经网络模型融合故障树模型做出,不仅能够在车辆进入维护流程前,既可提前快速地、预测性地获取车辆故障信息,而且检测维护人员通过执行诊断单元直接读取车辆中所述智能诊断单元中的故障代码,能够减轻检测人员的依赖程度与工作强度,提高车辆诊断的准确性和效率。能够针对车辆实时运行数据,融合线上神经网络模型的预测智能计算,且从车辆故障树中故障节点数据进行融合,以及线下执行诊断单元读取所述智能诊断单元中的故障代码,形成线上+线下融合的智能诊断***和方法,从而最终根据故障代码对应的诊断流程完成车辆的诊断。
由于含有隐含层的神经网络,隐含层的数量和节点越多,在非线性的激活函数下,神经网络就可以学***衡数据计算量和计算精度的要求,所述智能感知模块包括电气***的运行参数,例如,胎压监测的数值、仪表***等运行参数。动力***的运行参数的采样周期要小于电气***的运行参数的采样周期。在通信网络带宽限制的情况下,优先通行动力***的运行参数的获取。
由于仅仅基于故障树的诊断效率高,但是忽略了车辆运行过程的动态数据,难以很好地反映车辆真实运行情况。为了更好地训练神经网络,并提高神经网络的准确率,在本发明更为优选的情况下,将车辆历史运行数据分为训练集和测试集,针对所述神经网络模型进行训练;当所述神经网络模型准确率大于阈值后,则输出神经网络模型。例如,采用训练集,其中,训练集中包括具有故障的数据,训练后的神经网络采用测试集进行测试,准确率大于等于85%时,则输出神经网络模型,此时阈值为85%。更为优选的,其阈值设置越高,效果越好。为了更好地根据故障代码完成车辆的故障诊断,在本发明更为优选的情况下,在***的工作流层,所述故障代码与诊断流程一一对应。
为了弥补神经网络模型在诊断计算过程中的数据不足、缺省,以及数据缺乏***性等问题。更好地将故障树模型中的数据用于支持神经网络模型的建立和训练,提高神经网络模型的预测精度。在本发明更为优选的情况下,将故障树模型中的故障节点数据用于神经网络模型的测试集。由于并非所有的故障都在车辆历史运行数据中出现,有些运行故障的异常数据是由车辆在出厂前就已经明确,例如,在车辆设计阶段即可确定驱动电机单相无电压状态可能的原因在于哪些方面。在现实情况下,车辆在的历史运行数据不能够完全覆盖车辆所有的故障类型,结合故障树的数据,更为完整和***地覆盖车辆故障数据。
由于在车辆运行过程中,产生的部分故障数据是故障树中的故障节点不存在的案例数据,通过从实际运行数据中案例生成故障节点数据,使得故障树覆盖更为全面的故障类型。在本发明更为优选的情况下,当所述评价反馈单元将故障预测数据与故障树模型中的故障节点进行匹配计算后,若故障树模型不存在故障节点,则在故障树模型中新建故障节点。在本发明更为优选的情况下,针对每一个车型,相同机械结构配置的,对应一个故障树和一个神经网络模型。
为了更好地在实现线上智能诊断,线下直接读取诊断数据,减少通信成本,提高诊断效率,在本发明更为优选的情况下,所述智能诊断单元与所述执行诊断单元包括无线连接。其中,无线连接包括蓝牙或者Wifi连接。
本发明还提供了一种用于如上述的车辆故障智能诊断***的方法,所述方法包括,
步骤S1,车辆通过数据采集单元中的智能感知模块获取实时状态数据,其中,实时状态数据至少包括振动、温度、转速以及电压、电流、功率;
步骤S2,将实时状态数据传输至云端服务器中,所述云端服务器接收车辆实时状态数据存储至对应的数据库中,并进行处理计算;其中,所述云端服务器的神经网络模型将实时状态数据进行预处理后,输入神经网络模型进行计算得到故障预测数据,发送至评价反馈单元;
步骤S3,所述评价反馈单元将故障预测数据与故障树模型中的故障节点进行匹配计算,得到故障代码,将故障节点的故障代码经过所述传输单元发送至车辆中的智能诊断单元;
步骤S4,线下客户端的执行诊断单元读取所述智能诊断单元中的故障代码,根据故障代码对应的诊断流程,进行车辆故障诊断和维护。
本发明提供的用于车辆故障智能诊断***的方法包括车辆通过数据采集单元中的智能感知模块获取实时状态数据,包括振动、温度、转速、电压、电流和功率等。将实时状态数据传输至云端服务器,在那里接收并存储到相应的数据库中进行处理和计算。云端服务器的神经网络模型对实时状态数据进行预处理,并输入到神经网络模型中进行计算,生成故障预测数据,然后发送给评价反馈单元。评价反馈单元将故障预测数据与故障树模型中的故障节点进行匹配计算,得到故障代码,并通过传输单元发送到车辆中的智能诊断单元。线下客户端的执行诊断单元读取智能诊断单元中的故障代码,并根据对应的诊断流程进行车辆故障诊断和维护。该方法不仅能够基于实时、真实的车辆运行状态数据进行分析,采用神经网络模型与故障树模型融合,快速及时地反映出车辆所有异常状态和潜在故障,能够完整全面地反映出车辆的综合性能,不至于造成漏诊断、误诊断、多次维修等问题。由于车辆的诊断和检测过程由云端服务器根据神经网络模型融合故障树模型做出,不仅能够在车辆进入维护流程前,既可提前快速地、预测性地获取车辆故障信息,而且检测维护人员通过执行诊断单元直接读取车辆中所述智能诊断单元中的故障代码,能够减轻检测人员的依赖程度与工作强度,提高车辆诊断的准确性和效率。
为了更好地整合车辆运行过程中,实时地将运行数据在云端的得以在神经网络模型中进行计算,并且结合故障树故障节点进行全面的诊断,如此一来,能够基于车辆实时运行动态数据,且融合故障树的静态***数据进行故障预测和诊断,综合了故障树的检测效率和质量,以及神经网络模型的精准预测特性,使得整个车辆智能诊断能够兼顾质量与效率。在本发明更为优选的情况下,在步骤S2中,由车辆历史数据作为输入数据训练得到神经网络模型;基于车辆设计、生产、维护过程数据建立得到故障树模型;将车辆历史数据分为训练集和测试集,对神经网络模型进行训练后准确率达到阈值后,输出神经网络模型用于车辆实时状态数据的故障预测。
进一步地,本发明还提供一种电子设备,至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的方法。
进一步地,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明提供的上述方法。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、移动终端、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种车辆故障智能诊断***,其特征在于,所述车辆故障智能诊断***包括,
数据采集单元,所述数据采集单元至少包括智能感知模块,所述智能感知模块用于车辆实时状态数据的获取;
传输单元,用于将所述智能感知模块获取的车辆实时状态数据传输至云端服务器;
云端服务器,用于接收车辆实时状态数据存储至对应的数据库中,并进行处理计算;所述云端服务器包括神经网络模型、故障树模型、评价反馈单元,所述神经网络模型由车辆历史数据作为输入数据训练得到;所述故障树模型是基于车辆设计、生产、维护过程数据建立得到;
所述神经网络模型,用于输入车辆实时状态数据,进行计算后输出故障预测数据,发送至评价反馈单元;
所述评价反馈单元,用于将故障预测数据与故障树模型中的故障节点进行匹配计算,并将故障节点的故障代码经过所述传输单元发送至车辆中的智能诊断单元;
所述故障树模型,用于结构化已有的故障节点并存储;
所述智能诊断单元,用于接收来自于所述传输单元的故障代码;并与线下客户端的执行诊断单元通信;
执行诊断单元,用于读取所述智能诊断单元中的故障代码,根据故障代码对应的诊断流程,进行车辆故障诊断和维护。
2.根据权利要求1所述的车辆故障智能诊断***,其特征在于,所述神经网络模型至少包括1个中间层的神经网络模型。
3.根据权利要求1所述的车辆故障智能诊断***,其特征在于,将车辆历史运行数据分为训练集和测试集,针对所述神经网络模型进行训练;当所述神经网络模型准确率大于阈值后,则输出神经网络模型。
4.根据权利要求3所述的车辆故障智能诊断***,其特征在于,将故障树模型中的故障节点数据用于神经网络模型的测试集。
5.根据权利要求1-4任意一项所述的车辆故障智能诊断***,其特征在于,当所述评价反馈单元将故障预测数据与故障树模型中的故障节点进行匹配计算后,若故障树模型不存在故障节点,则在故障树模型中新建故障节点。
6.根据权利要求1-4任意一项所述的车辆故障智能诊断***,其特征在于,所述智能诊断单元与所述执行诊断单元包括无线连接。
7.一种用于如权利要求1-6中任意一项所述的车辆故障智能诊断***的方法,其特征在于,所述方法包括,
步骤S1,车辆通过数据采集单元中的智能感知模块获取实时状态数据,其中,实时状态数据至少包括振动、温度、转速以及电压、电流、功率;
步骤S2,将实时状态数据传输至云端服务器中,所述云端服务器接收车辆实时状态数据存储至对应的数据库中,并进行处理计算;其中,所述云端服务器的神经网络模型将实时状态数据进行预处理后,输入神经网络模型进行计算得到故障预测数据,发送至评价反馈单元;
步骤S3,所述评价反馈单元将故障预测数据与故障树模型中的故障节点进行匹配计算,得到故障代码,将故障节点的故障代码经过所述传输单元发送至车辆中的智能诊断单元;
步骤S4,线下客户端的执行诊断单元读取所述智能诊断单元中的故障代码,根据故障代码对应的诊断流程,进行车辆故障诊断和维护。
8.根据权利要求7所述的方法,其特征在于,在步骤S2中,由车辆历史数据作为输入数据训练得到神经网络模型;基于车辆设计、生产、维护过程数据建立得到故障树模型;将车辆历史数据分为训练集和测试集,对神经网络模型进行训练后准确率达到阈值后,输出神经网络模型用于车辆实时状态数据的故障预测。
9.一种电子设备,其特征在于,至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求7-8中任意一项所述的方法。
10.一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行本申请如权利要求7-8中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310946025.XA CN116880454A (zh) | 2023-07-28 | 2023-07-28 | 车辆故障智能诊断***与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310946025.XA CN116880454A (zh) | 2023-07-28 | 2023-07-28 | 车辆故障智能诊断***与方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116880454A true CN116880454A (zh) | 2023-10-13 |
Family
ID=88258637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310946025.XA Pending CN116880454A (zh) | 2023-07-28 | 2023-07-28 | 车辆故障智能诊断***与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116880454A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117290764A (zh) * | 2023-11-23 | 2023-12-26 | 湖南省交通科学研究院有限公司 | 基于数据特征分析的治超***故障智能识别及诊断的方法 |
CN117590837A (zh) * | 2024-01-18 | 2024-02-23 | 深圳市伟创高科电子有限公司 | 基于树型结构的电动车控制器故障诊断方法 |
-
2023
- 2023-07-28 CN CN202310946025.XA patent/CN116880454A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117290764A (zh) * | 2023-11-23 | 2023-12-26 | 湖南省交通科学研究院有限公司 | 基于数据特征分析的治超***故障智能识别及诊断的方法 |
CN117290764B (zh) * | 2023-11-23 | 2024-02-09 | 湖南省交通科学研究院有限公司 | 基于数据特征分析的治超***故障智能识别及诊断的方法 |
CN117590837A (zh) * | 2024-01-18 | 2024-02-23 | 深圳市伟创高科电子有限公司 | 基于树型结构的电动车控制器故障诊断方法 |
CN117590837B (zh) * | 2024-01-18 | 2024-03-29 | 深圳市伟创高科电子有限公司 | 基于树型结构的电动车控制器故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109001649B (zh) | 一种电源智能诊断***及保护方法 | |
CN106406273B (zh) | 车辆中故障原因的确定 | |
CN116880454A (zh) | 车辆故障智能诊断***与方法 | |
CN102375452B (zh) | 改善故障代码设定和隔离故障的事件驱动的数据挖掘方法 | |
EP1242923B1 (en) | A process for the monitoring and diagnostics of data from a remote asset | |
CN111947928B (zh) | 一种多源信息融合的轴承故障预测***及方法 | |
CN114585983B (zh) | 用于检测设备的异常运行状态的方法、装置和*** | |
CN112926257A (zh) | 往复式天然气压缩机故障诊断***以及诊断方法 | |
CN108027611B (zh) | 利用受专家意见监督的决策模式学习的用于机器维护的决策辅助***和方法 | |
KR102427205B1 (ko) | 인공지능 모델을 위한 학습 데이터 생성 장치 및 방법 | |
EP3866177A1 (en) | Abnormal driving state determination device and method using neural network model | |
CN113339204B (zh) | 一种基于混合神经网络的风力发电机故障识别方法 | |
JP2021108110A (ja) | 車両の損傷の監視及び予測を行うためのシステム並びに方法 | |
US12007745B2 (en) | Apparatus for predicting equipment damage | |
KR102368396B1 (ko) | K-평균 군집화 알고리즘을 이용한 주기변동 랜덤신호의 정렬방법 및 이를 이용한 내연기관의 이상진단 시스템 및 방법 | |
KR102545672B1 (ko) | 기계고장 진단 방법 및 장치 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN115031994B (zh) | 一种车辆耐久试验方法和*** | |
Davari et al. | A fault detection framework based on lstm autoencoder: A case study for volvo bus data set | |
WO2022175767A1 (en) | Equipment fault detection system using artificial intelligence(icms) | |
CN110758478B (zh) | 铁路信号设备预告警***及方法 | |
Byttner et al. | A field test with self-organized modeling for knowledge discovery in a fleet of city buses | |
CN114757366A (zh) | 一种用于车辆的故障预测方法及*** | |
He et al. | Probabilistic model based algorithms for prognostics | |
CN108415401A (zh) | 一种工程车辆检测维修数据管理方法及*** |
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 |