CN117682000A - 一种基于车速分析的助力车故障检测方法及装置 - Google Patents
一种基于车速分析的助力车故障检测方法及装置 Download PDFInfo
- Publication number
- CN117682000A CN117682000A CN202410129811.5A CN202410129811A CN117682000A CN 117682000 A CN117682000 A CN 117682000A CN 202410129811 A CN202410129811 A CN 202410129811A CN 117682000 A CN117682000 A CN 117682000A
- Authority
- CN
- China
- Prior art keywords
- information
- obtaining
- vehicle
- engine
- speed information
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 62
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 claims abstract description 54
- 230000001133 acceleration Effects 0.000 claims abstract description 48
- 230000008859 change Effects 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 239000007789 gas Substances 0.000 claims description 48
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 23
- 239000001301 oxygen Substances 0.000 claims description 23
- 229910052760 oxygen Inorganic materials 0.000 claims description 23
- 239000000203 mixture Substances 0.000 claims description 18
- 238000012423 maintenance Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 7
- 230000001360 synchronised effect Effects 0.000 claims description 7
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 abstract description 6
- 230000001419 dependent effect Effects 0.000 abstract description 4
- 239000000446 fuel Substances 0.000 description 13
- 238000012795 verification Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004138 cluster model Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- -1 ignition condition Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
- B62M—RIDER PROPULSION OF WHEELED VEHICLES OR SLEDGES; POWERED PROPULSION OF SLEDGES OR SINGLE-TRACK CYCLES; TRANSMISSIONS SPECIALLY ADAPTED FOR SUCH VEHICLES
- B62M6/00—Rider propulsion of wheeled vehicles with additional source of power, e.g. combustion engine or electric motor
- B62M6/40—Rider propelled cycles with auxiliary electric motor
- B62M6/45—Control or actuating devices therefor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
- B62J—CYCLE SADDLES OR SEATS; AUXILIARY DEVICES OR ACCESSORIES SPECIALLY ADAPTED TO CYCLES AND NOT OTHERWISE PROVIDED FOR, e.g. ARTICLE CARRIERS OR CYCLE PROTECTORS
- B62J50/00—Arrangements specially adapted for use on cycles not provided for in main groups B62J1/00 - B62J45/00
- B62J50/20—Information-providing devices
- B62J50/21—Information-providing devices intended to provide information to rider or passenger
- B62J50/22—Information-providing devices intended to provide information to rider or passenger electronic, e.g. displays
-
- 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
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Transportation (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种基于车速分析的助力车故障检测方法及装置，涉及故障检测领域，应用于一智能管理***，其中，所述方法包括首先判断第一助力车是否正常启动，若正常，获得发动机的第一转速信息；当第一转速信息处于第一阈值时，获得第一车速信息；由预处理网络判断所述第一车速信息是否存在异常；若不存在异常，获得第一加速指令，获得发动机的第一转速变化率；依据智能判别网络，结合第一转速变化率、声音数据和第一图像信息，获得第一故障分析并对故障进行预警。解决了现有技术中助力车故障检测更多的依赖于人工判断，存在对于故障检测不够智能准确的技术问题。
Description
技术领域
本发明涉及故障检测领域，尤其涉及一种基于车速分析的助力车故障检测方法及装置。
背景技术
燃油助力车主要分为两种，一是外形类似电动摩托车的二冲程踏板车，二是单缸四冲程燃油助力车。现行驶的助力车基本上都属于单缸四冲程类型的，拥有不错的节油性。而燃油助力车在使用过程中，出现的故障类型比较复杂，且对于故障的检测判断更多依赖人力。
本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
助力车故障检测更多的依赖于人工判断，存在对于故障检测不够智能准确的技术问题。
发明内容
本申请实施例通过提供一种基于车速分析的助力车故障检测方法及装置，解决了现有技术中助力车故障检测不够智能准确的技术问题。实现了基于深度学习和传感器对发动机的使用状况进行分析，从而对助力车故障进行准确检测的技术目的。
鉴于上述问题，本申请实施例提供一种基于车速分析的助力车故障检测方法及装置。
第一方面，本申请提供了一种基于车速分析的助力车故障检测方法，应用于一智能管理***，所述方法包括：获得第一启动指令；判断第一助力车是否正常启动，若正常，获得所述发动机的第一转速信息，其中，所述第一转速信息处于第一阈值；当所述第一转速信息处于第一阈值时，获得第一车速信息；将所述第一转速信息、所述第一车速信息输入预处理网络，判断所述第一车速信息是否存在异常；若所述第一车速信息不存在异常，获得第一加速指令；由所述第一加速指令，获得所述发动机的第二转速信息；依据所述第一转速信息和所述第二转速信息，获得第一转速变化率；声音数据通过布置在发动机位置的声音传感器进行实时声音数据采集，获得发动机运转的声音数据；通过布设在排气管的传感器执行同步数据采集，建立排气管的图像信息；将所述第一转速变化率、所述声音数据和所述图像信息输入至智能判别网络，获得第一故障分析结果；依据所述第一故障分析结果，获得第一预警信息。
另一方面，本申请还提供了一种基于车速分析的助力车故障检测装置，应用于一智能管理***，所述装置包括：获得单元，所述获得单元用于获得第一启动指令；判断单元，所述判断单元用于判断第一助力车是否正常启动，若正常，获得所述发动机的第一转速信息，其中，所述第一转速信息处于第一阈值；车速获取单元，所述车速获取单元用于当所述第一转速信息处于第一阈值时，获得第一车速信息；输入单元，所述输入单元用于将所述第一转速信息、所述第一车速信息输入预处理网络，判断所述第一车速信息是否存在异常；加速单元，所述加速单元用于若所述第一车速信息不存在异常，获得第一加速指令；加速执行单元，所述加速执行单元用于由所述第一加速指令，获得所述发动机的第二转速信息；计算单元，所述计算单元用于依据所述第一转速信息和所述第二转速信息，获得第一转速变化率；声音采集单元，所述声音采集单元用于声音数据通过布置在发动机位置的声音传感器进行实时声音数据采集，获得发动机运转的声音数据；图像采集单元，所述图像采集单元用于通过布设在排气管的传感器执行同步数据采集，建立排气管的图像信息；智能判别单元，所述智能判别单元用于将所述第一转速变化率、所述声音数据和所述图像信息输入至智能判别网络，获得第一故障分析结果；预警单元，所述预警单元用于依据所述第一故障分析结果，获得第一预警信息。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了通过智能管理***对助力车进行车速分析，并由声音传感器和图像捕捉装置分别获得发动机的运转声音及排气管的运行图像，基于智能网络，对所获得的数据进行训练学习，从而输出准确的故障分析结果。实现了基于深度学习和传感器对发动机的使用状况进行分析，从而对助力车故障进行准确检测的技术目的。
上述说明是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种基于车速分析的助力车故障检测方法的流程示意图；
图2为本申请实施例一种基于车速分析的助力车故障检测装置的结构示意图。
附图标记说明：获得单元11，判断单元12，车速获取单元13，输入单元14，加速单元15，加速执行单元16，计算单元17，声音采集单元18，图像采集单元19，智能判别单元20，预警单元21。
具体实施方式
本申请实施例通过提供一种基于车速分析的助力车故障检测方法及装置，解决了助力车故障检测不够智能准确的技术问题。实现了基于深度学习和传感器对发动机的使用状况进行分析，从而对助力车故障进行准确检测的技术目的。
下面，将参考附图详细的描述本申请的示例实施例，显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
燃油助力车主要分为两种，一是外形类似电动摩托车的二冲程踏板车，二是单缸四冲程燃油助力车。现行驶的助力车基本上都属于单缸四冲程类型的，拥有不错的节油性。而燃油助力车在使用过程中，出现的故障类型比较复杂，且对于故障的检测判断更多依赖人力。现有技术中还存在着助力车故障检测及申报智能性不强，故障检测不够及时的技术问题。
针对上述技术问题，本申请提供的技术方案总体思路如下：
本申请提供了一种基于车速分析的助力车故障检测方法，应用于一智能管理***，所述方法包括：获得第一启动指令；判断第一助力车是否正常启动，若正常，获得所述发动机的第一转速信息，其中，所述第一转速信息处于第一阈值；当所述第一转速信息处于第一阈值时，获得第一车速信息；将所述第一转速信息、所述第一车速信息输入预处理网络，判断所述第一车速信息是否存在异常；若所述第一车速信息不存在异常，获得第一加速指令；由所述第一加速指令，获得所述发动机的第二转速信息；依据所述第一转速信息和所述第二转速信息，获得第一转速变化率；通过布置在发动机位置的声音传感器进行实时声音数据采集，获得发动机运转的声音数据；通过布设在排气管的传感器执行同步数据采集，建立排气管的图像信息；将所述第一转速变化率、所述声音数据和所述图像信息输入至智能判别网络，获得第一故障分析结果；依据所述第一故障分析结果，获得第一预警信息。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了一种基于车速分析的助力车故障检测方法，应用于一智能管理***，所述方法包括：
步骤S100：获得第一启动指令；
具体而言，燃油助力车的常见故障类型分为整车故障检测与化油器故障分析。其中，整车故障的首先需要判断助力车是否能够正常启动。若助力车启动异常或者无法启动，则需要针对启动故障进行下一步的分析。由所述智能管理***获取所述第一启动指令，并将指令发送至助力车执行，助力车在执行启动指令之后，将执行结果反馈至所述智能管理***，执行结果包括助力车是否能够正常启动的结果。通过获得所述第一启动指令，实现了对助力车启动情况进行检测的技术目的。
步骤S200：判断第一助力车是否正常启动，若正常，获得所述第一助力车的发动机的第一转速信息，其中，所述第一转速信息处于第一阈值；
步骤S300：当所述第一转速信息处于第一阈值时，获得第一车速信息；
具体而言，由助力车基于所述第一启动指令的执行结果判断所述第一阻力车是否能够正常启动。其中，判断结果包括：助力车正常启动、助力车启动异常、助力车无法启动的结果。若判断结果为助力车正常启动，则进行下一步的车速判断；若助力车启动异常，则进一步判断点火器的绝缘性、整车负极线的良好连接、汽油变质等影响助力车正常启动的因素。若所述第一助力车能够正常启动，则由传感器获得所述发动机的第一转速信息，且所述第一转速信息处于所述第一阈值时，依据所述第一助力车的转速、车速关系获得所述第一助力车的第一车速信息。所述第一阈值为预设的划分转速大小的阈值信息，具体而言，当转速处于3000-7000转阈值之内时，转速为中速。通过获得所述第一转速信息，为后续进行车速分析奠定了基础。
步骤S400：将所述第一转速信息、所述第一车速信息输入预处理网络，判断所述第一车速信息是否存在异常；
具体而言，所述预处理网络为进行智能识别的网络，一般可以由神经网络构建，神经网络是由大量的、简单的处理单元（称为神经元）广泛地互相连接而形成的复杂网络***，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习***。所述预处理网络具有不断学习、获取经验来处理数据的特点，能够通过训练数据，使得所获得的数据更为准确。建立由所述第一转速信息、所述第一车速信息作为输入数据，将异常标识作为监督数据的训练数据集，以训练数据集对所述预处理网络进行训练约束，直至输出结果满足预期要求，训练结束，将所述第一助力车的转速、车速关系输入至预处理网络进行训练，从而可以输出更加准确的所述第一车速信息是否存在异常的输出结果。若所述第一车速信息存在异常，则助力车发动机动力不足，需要进一步判断异常原因。通过预处理网络的数据训练，使得对车速信息的判断更为准确。
步骤S500：若所述第一车速信息不存在异常，获得第一加速指令；
步骤S600：由所述第一加速指令，获得所述发动机的第二转速信息；
具体而言，如所述第一助力车在发动机转速处于所述第一阈值时的车速信息不存在异常，则由所述智能管理***获得所述第一加速指令，并控制所述第一助力车执行加速指令。助力车在加速时，通过发动机增加转速来进行提速，因此由速度传感器获得所述第一助力车加速后发动机的转速信息。通过使助力车加速，实现判断助力车加速行驶是否异常的技术目的。
步骤S700：依据所述第一转速信息和所述第二转速信息，获得第一转速变化率；
具体而言，所述第一转速变化率为转速在一定时间阈值内的变化速率，通过依据所述第一转速信息和所述第二转速信息计算获得。若发动机的转速出现时快时慢，即转速变化率异常，则主要从混合气、点火情况、燃油流动、气门等方向进一步测试。所述第一转速变化率的获得，缩小了故障检测的范围，进一步提高了故障排除的精准性。
步骤S800：通过布置在发动机位置的声音传感器进行实时声音数据采集，获得发动机运转的声音数据；
步骤S900：通过布设在排气管的传感器执行同步数据采集，建立排气管的图像信息；
具体而言，所述声音数据为所述发动机的声音信息，由所述第一助力车内置的声音传感器获得。所述图像信息为所述排气管的图像信息，由排气管的图像捕捉传感器获得，图像信息表征了排气管排出气体的颜色特征。通过获得所述声音数据和所述图像信息，有利于进一步判断助力车发动机和排气管的运转情况。举例而言，若发动机运转声音出现卡顿，则需要对化油器、点火器等进行检查；若排气管出现冒黑烟的现象，则需要对燃油质量、混合气、点火时间进行进一步检测。
步骤S1000：将所述第一转速变化率、所述声音数据和所述图像信息输入至智能判别网络，获得第一故障分析结果；
步骤S1100：依据所述第一故障分析结果，获得第一预警信息。
具体而言，通过将所述第一转速变化率、所述声音数据和所述图像信息输入至智能判别网络，所述智能判别网络可将助力车的历史故障数据信息作为输入数据进行训练学习，所述智能判别网络可以为智能决策网络、聚类模型、单类支持向量机（One-Class SVM，One-Class Support Vector Machine）模型，这里不进行具体模型限定。通过对各影响因素进行训练，从而获得准确的所述第一故障分析结果。所述第一故障分析结果包括所述第一助力车的故障部位、故障类型和故障检修措施。在获得所述第一故障分析结果之后，依据故障分析结果，对相应故障类型进行预警。实现了准确检测故障并及时预警的技术目的。
进一步而言，本申请实施例步骤S200还包括：
步骤S210：若所述第一助力车无法正常启动，获得使用历史记录信息；
步骤S220：由所述使用历史记录信息获得闲置时间；
步骤S230：判断所述闲置时间是否超过第二阈值；
步骤S240：若所述闲置时间超过所述第二阈值，获得浮子室内汽油的汽油图像信息；
步骤S250：对所述汽油图像信息进行特征分析，判断所述汽油图像信息是否存在异常信息；
步骤S260：若所述汽油图像信息中存在所述异常信息，获得第二预警信息，依据所述第二预警信息，对所述第一助力车进行故障排除。
具体而言，若所述第一助力车的发动机无法正常启动，则可能因为闲置时间过长导致汽油发生沉淀和变质。基于大数据信息处理技术，通过用户对于所述第一助力车的智能使用终端的使用记录信息，智能获取所述第一助力车的使用记录信息。所述使用历史记录信息包括所述第一助力车的使用时长、使用距离以及所述第一助力车的出厂信息。通过所述使用历史记录信息判断所述第一助力车的闲置时长，若所述闲置时间超过所述第二阈值，则进一步获得浮子室内汽油的图像信息来判断汽油是否沉淀、变质。若存在汽油异常信息，则由所述智能控制***将所述第二预警信息发送至用户，进行故障预警，实现了对于由于闲置导致汽油沉淀、变质的故障排除。
进一步而言，本申请实施例步骤S400还包括：
步骤S410：若所述第一车速信息存在异常，获得第一行驶距离；
步骤S420：判断所述第一行驶距离是否达到第三阈值；
步骤S430：若所述第一行驶距离低于所述第三阈值，获得第一混合气浓度信息；
步骤S440：判断所述第一混合气浓度信息是否处于第四阈值；
步骤S450：若所述第一混合气浓度信息不处于所述第四阈值，获得调整信息；
步骤S460：依据所述调整信息，对所述第一混合气浓度信息进行调整。
具体而言，若所述第一助力车的发动机启动正常，但所述第一车速信息存在异常，如没有高速、加大油门车速反而下降、熄火等现象，则由传感器获得所述第一助力车本次的行驶距离，并判断行驶距离是否超过所述第三阈值，若所述第一行驶距离低于所述第三阈值，即助力车行驶到所述第三阈值处发生熄火现象，则进一步通过气体浓度传感器获得所述第一混合器浓度信息，来判断所述第一助力车是否出现混合气浓度过高的现象。若所述第一混合气浓度信息不处于所述第四阈值，则获得调整信息来对混合气浓度进行调整。实现了对于混合气浓度过高状况的故障排除。
进一步而言，本申请实施例步骤S450还包括：
步骤S451：由第一氧传感器分别获得第一时间阈值内进气管道、排气管道的第一进气值、第一排气值；
步骤S452：由所述第一进气值和所述第一排气值获得所述气体流通量变化图像；
步骤S453：获得预设气体流通量阈值；
步骤S454：依据所述气体流通量变化图像判断处于所述预设气体流通量阈值内的气体占比；
步骤S455：依据所述气体占比判断所述进气管道、排气管道是否堵塞。
具体而言，所述第一助力车车速信息异常的影响因素还包括助力车的进气通道、排气通道堵塞导致的混合气过浓或排气不畅。因此，由所述第一氧传感器分别获得第一时间阈值内进气管道、排气管道的第一进气值、第一排气值，并构建所述气体流通量变化图像，通过获得气体流通量变化图像中处于预设的所述气体流通量阈值的气体占比情况，达到判断所述进气管道、排气管道是否堵塞的效果。若所述气体占比小于管道正常进气、排气的气体流通量，则判定为所述进气管道和所述排气管道堵塞，从而实现了排除进气管道和排气管道堵塞的故障的技术目的。
进一步而言，本申请实施例步骤S451还包括：
步骤S4511：获得第二启动指令，启动发动机，并控制所述发动机的转速处于第五阈值；
步骤S4512：获得第一时间阈值内所述第一氧传感器的第一反馈电压值；
步骤S4513：获得第一氧传感器的传感器图像信息；
步骤S4514：依据所述第一反馈电压值、所述传感器图像信息判断所述第一氧传感器是否损坏。
具体而言，装有排气氧传感器的燃油发动机，如果在运转中出现念速不稳、加速无力、油耗增加、尾气超标等故障而供油、点火装置又无其他故障，那么极有可能是传感器及相关线路出了问题。因此在对所述第一氧传感器进行检测时，需要在发动机保持启动的状态下，测量所述第一时间阈值内第一氧传感器的第一反馈电压值。若所述第一反馈电压值在所述第一时间阈值内保持某一数值无变化，则判定所述第一氧传感器已经损坏。进一步的，通过大数据构建第一氧传感器的图像集，包括正常状态下的图像和异常状态下的图像。利用图像处理算法对第一氧传感器的图像进行处理，例如对比度调整、阈值设定、边缘检测等，以突出第一氧传感器的特征。通过机器学习算法对处理后的图像进行分类，分为正常状态和异常状态。根据分类结果，执行采集的传感器图像信息与图像集比对，判断第一氧传感器是否异常。通过结合反馈电压信息和图像信息，进而使得判定所述第一氧传感器是否损坏更加准确，进一步提高了故障排除的准确性。
进一步而言，本申请实施例步骤S1100还包括：
步骤S1110：由所述第一故障分析结果，获得第一故障申报信息；
步骤S1120：获得第一检修点信息；
步骤S1130：将所述第一检修点信息发送至所述第一用户，由所述第一用户确认后，获得第一发送指令；
步骤S1140：依据所述第一发送指令，将所述第一故障申报信息发送至第一检修点。
具体而言，在获得所述第一故障分析结果之后，由所述智能管理***依据故障类型自动获取故障申报信息。通过搜索所述第一助力车适用的第一检修点的位置，并为所述第一助力车制定合理的检修时间，从而生成所述第一故障申报信息。将所述第一检修点信息发送用户进行确认后，由所述智能管理***自动向第一检修点发送所述第一故障申报信息，实现了提高故障处理效率，节省检修时间的技术目的。
进一步而言，本申请实施例步骤S1140还包括：
步骤S1141：获得第一检修时间；
步骤S1142：在所述第一检修时间到来之前，获得第一提醒信息。
具体而言，所述第一故障申报信息中包括检修地点及第一检修时间。在确定故障申报方案之后，由所述智能管理***自动获取第一检修时间，并获取用户的移动设备的相关权限，实现在所述第一检修时间到来之前，通过向用户发送提醒信息，提醒用户进行检修。基于大数据技术，实现了故障申报处理的高效性和智能性。
进一步的，本申请还包括：
由所述第一加速指令触发速度校验窗口；
以所述速度校验窗口执行所述发动机的连续数据采集，建立转速时序变化数据集；
对所述转速时序变化数据集进行转速分析，获取稳态转速数据的时序节点；
基于所述时序节点和所述第一加速指令进行响应时长评价，生成第一辅助异常值；
基于所述转速时序变化数据集进行转速的时序拟合，建立转速拟合曲线；
对所述转速拟合曲线进行转速提升的线性度评价，生成第二辅助异常值；
通过所述第一辅助异常值和所述第二辅助异常值进行所述第一故障分析结果补偿；
根据补偿结果生成所述第一预警信息。
具体而言，在进行发动机转速验证的过程中，为了更加准确的评价发动机的状态，在所述第一加速指令执行的过程中，同步触发速度校验窗口，所述速度校验窗口为进行速度进一步验证评价的窗口，通过激活的速度校验窗口执行所述发动机的连续转速数据采集，建立转速时序变化数据集，所述转速时序变化数据集记录了在每一时间节点下发动机的转速数据，通过建立转速时序变化数据集，为后续进行进一步准确分析发动机的异常状态提供了数据支持，进而实现准确进行故障检测预警的技术效果。
进一步的，对采集获得的转速时序变化数据集进行转速分析，以区分加速区间和稳态区间。一般而言，稳态区间可以通过转速的稳态聚类确定，当稳态区间确定后，获取稳态区间的开始节点，将其作为稳态转速数据的时序节点。此时，由速度校验窗口的开始节点到时序节点的时间区间，即为加速区间，对所述第一加速指令进行预期加速时长评价，通过预期加速时长评价结果和所述加速区间进行发动机的响应时长评价，根据偏差值的大小做归一化处理后，生成第一辅助异常值。通过进行响应时长的评价验证，对发动机在执行加速响应过程的响应时长进行监测，进而使得对于发动机是否异常的评价更加全面，进而为准确识别发动机潜在异常提供了数据支持。
对于加速区间，通过在加速区间内的转速时序变化数据集进行转速的时序拟合，建立转速拟合曲线，所述转速拟合曲线反映了在整个加速区间内加速度的变化情况，对所述转速拟合曲线进行曲线的线性度评价，曲线的线性度表征了转速变化的线性程度，线性度越好，则加速度变化越均匀，此时发动机的状态越好。
在进行线性度评价的过程中，对于任意一转速点，可以通过配置长短验证步长来准确评价线性程度，避免因为局部区域的区域异常，导致线性度的评价不准确的问题。短验证步长即通过预设数量的相邻点，执行线性度验证的验证结果，长验证步长即以整个加速区间提取关键点，执行线性度验证的验证结果。对线性度评价结果进行归一化处理，生成第二辅助异常值。
进一步的，对于稳态区间，还可以进行稳态情况和稳态偏移值的验证，以此来生成第三辅助异常值。通过所述第一辅助异常值、第二辅助异常值和第三辅助异常值对生成的第一故障分析结果补偿，以获得更加准确的发动机预警信息。
综上所述，本申请实施例所提供的一种基于车速分析的助力车故障检测方法具有如下技术效果：
1、由于采用了通过智能管理***对助力车进行车速分析，并由声音传感器和图像捕捉装置分别获得发动机的运转声音及排气管的运行图像，基于智能网络模型，对所获得的数据进行训练学习，从而输出准确的故障分析结果。实现了基于深度学习和传感器对发动机的使用状况进行分析，从而对助力车故障进行准确检测的技术目的。
2、由于采用了通过智能判别网络进行训练学习，分别获取所述第一车速信息是否异常、所述第一故障分析结果，基于训练模型能够不断学习、获取经验来处理数据的特点，使得所获得的上述输出结果更为准确。
实施例二
基于与前述实施例中一种基于车速分析的助力车故障检测方法同样发明构思，本发明还提供了一种基于车速分析的助力车故障检测装置，应用于一智能管理***，如图2所示，所述装置包括：
获得单元11，所述获得单元11用于获得第一启动指令；
判断单元12，所述判断单元12用于判断第一助力车是否正常启动，若正常，获得所述发动机的第一转速信息，其中，所述第一转速信息处于第一阈值；
车速获取单元13，所述车速获取单元13用于当所述第一转速信息处于第一阈值时，获得第一车速信息；
输入单元14，所述输入单元14用于将所述第一转速信息、所述第一车速信息输入预处理网络，判断所述第一车速信息是否存在异常；
加速单元15，所述加速单元15用于若所述第一车速信息不存在异常，获得第一加速指令；
加速执行单元16，所述加速执行单元16用于由所述第一加速指令，获得所述发动机的第二转速信息；
计算单元17，所述计算单元17用于依据所述第一转速信息和所述第二转速信息，获得第一转速变化率；
声音采集单元18，所述声音采集单元18用于声音数据通过布置在发动机位置的声音传感器进行实时声音数据采集，获得发动机运转的声音数据；
图像采集单元19，所述图像采集单元19用于通过布设在排气管的传感器执行同步数据采集，建立排气管的图像信息；
智能判别单元20，所述智能判别单元20用于将所述第一转速变化率、所述声音数据和所述图像信息输入至智能判别网络，获得第一故障分析结果；
预警单元21，所述预警单元21用于依据所述第一故障分析结果，获得第一预警信息。
进一步的，所述判断单元12还用于：
若所述第一助力车无法正常启动，获得使用历史记录信息；
由所述使用历史记录信息获得闲置时间；
判断所述闲置时间是否超过第二阈值；
若所述闲置时间超过所述第二阈值，获得浮子室内汽油的汽油图像信息；
对所述汽油图像信息进行特征分析，判断所述汽油图像信息是否存在异常信息；
若所述汽油图像信息中存在所述异常信息，获得第二预警信息，依据所述第二预警信息，对所述第一助力车进行故障排除。
进一步的，所述输入单元14还用于：
若所述第一车速信息存在异常，获得第一行驶距离；
判断所述第一行驶距离是否达到第三阈值；
若所述第一行驶距离低于所述第三阈值，获得第一混合气浓度信息；
判断所述第一混合气浓度信息是否处于第四阈值；
若所述第一混合气浓度信息不处于所述第四阈值，获得调整信息；
依据所述调整信息，对所述第一混合气浓度信息进行调整。
进一步的，所述输入单元14还用于：
由第一氧传感器分别获得第一时间阈值内进气管道、排气管道的第一进气值、第一排气值；
由所述第一进气值和所述第一排气值获得所述气体流通量变化图像；
获得预设气体流通量阈值；
依据所述气体流通量变化图像判断处于所述预设气体流通量阈值内的气体占比；
依据所述气体占比判断所述进气管道、排气管道是否堵塞。
进一步的，所述输入单元14还用于：
获得第二启动指令，启动发动机，并控制所述发动机的转速处于第五阈值；
获得第一时间阈值内所述第一氧传感器的第一反馈电压值；
获得第一氧传感器的传感器图像信息；
依据所述第一反馈电压值、所述传感器图像信息判断所述第一氧传感器是否损坏。
进一步的，所述预警单元21还用于：
由所述第一故障分析结果，获得第一故障申报信息；
获得第一检修点信息；
将所述第一检修点信息发送至所述第一用户，由所述第一用户确认后，获得第一发送指令；
依据所述第一发送指令，将所述第一故障申报信息发送至第一检修点。
进一步的，所述预警单元21还用于：
由所述第一加速指令触发速度校验窗口；
以所述速度校验窗口执行所述发动机的连续数据采集，建立转速时序变化数据集；
对所述转速时序变化数据集进行转速分析，获取稳态转速数据的时序节点；
基于所述时序节点和所述第一加速指令进行响应时长评价，生成第一辅助异常值；
基于所述转速时序变化数据集进行转速的时序拟合，建立转速拟合曲线；
对所述转速拟合曲线进行转速提升的线性度评价，生成第二辅助异常值；
通过所述第一辅助异常值和所述第二辅助异常值进行所述第一故障分析结果补偿；
根据补偿结果生成所述第一预警信息。
前述图1实施例一中的一种基于车速分析的助力车故障检测方法和具体实例同样适用于本实施例的一种基于车速分析的助力车故障检测装置，通过前述对一种基于车速分析的助力车故障检测方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于车速分析的助力车故障检测装置，所以为了说明书的简洁，在此不再详述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照本发明实施例的方法、设备（***）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的***。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令***的制造品，该指令***实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
Claims (8)
1.一种基于车速分析的助力车故障检测方法，应用于一智能管理***，其特征在于，所述方法包括：
获得第一启动指令；
判断第一助力车是否正常启动，若正常，获得所述第一助力车的发动机的第一转速信息，其中，所述第一转速信息处于第一阈值；
当所述第一转速信息处于第一阈值时，获得第一车速信息；
将所述第一转速信息、所述第一车速信息输入预处理网络，判断所述第一车速信息是否存在异常；
若所述第一车速信息不存在异常，获得第一加速指令；
由所述第一加速指令，获得所述发动机的第二转速信息；
依据所述第一转速信息和所述第二转速信息，获得第一转速变化率；
通过布置在发动机位置的声音传感器进行实时声音数据采集，获得发动机运转的声音数据；
通过布设在排气管的传感器执行同步数据采集，建立排气管的图像信息；
将所述第一转速变化率、所述声音数据和所述图像信息输入至智能判别网络，获得第一故障分析结果；
依据所述第一故障分析结果，获得第一预警信息。
2.根据权利要求1所述的方法，其特征在于，判断第一助力车是否正常启动，所述方法还包括：
若所述第一助力车无法正常启动，获得使用历史记录信息；
由所述使用历史记录信息获得闲置时间；
判断所述闲置时间是否超过第二阈值；
若所述闲置时间超过所述第二阈值，获得浮子室内汽油的汽油图像信息；
对所述汽油图像信息进行特征分析，判断所述汽油图像信息是否存在异常信息；
若所述汽油图像信息中存在所述异常信息，获得第二预警信息，依据所述第二预警信息，对所述第一助力车进行故障排除。
3.根据权利要求1所述的方法，其特征在于，将所述第一转速信息、所述第一车速信息输入预处理网络，判断所述第一车速信息是否存在异常，所述方法还包括：
若所述第一车速信息存在异常，获得第一行驶距离；
判断所述第一行驶距离是否达到第三阈值；
若所述第一行驶距离低于所述第三阈值，获得第一混合气浓度信息；
判断所述第一混合气浓度信息是否处于第四阈值；
若所述第一混合气浓度信息不处于所述第四阈值，获得调整信息；
依据所述调整信息，对所述第一混合气浓度信息进行调整。
4.根据权利要求3所述的方法，其特征在于，若所述第一混合气浓度信息不处于所述第四阈值，所述方法还包括：
由第一氧传感器分别获得第一时间阈值内进气管道、排气管道的第一进气值、第一排气值；
由所述第一进气值和所述第一排气值获得气体流通量变化图像；
获得预设气体流通量阈值；
依据所述气体流通量变化图像判断处于所述预设气体流通量阈值内的气体占比；
依据所述气体占比判断所述进气管道、排气管道是否堵塞。
5.根据权利要求4所述的方法，其特征在于，由第一氧传感器分别获得第一时间阈值内进气管道、排气管道的第一进气值、第一排气值之前，所述方法还包括：
获得第二启动指令，启动发动机，并控制所述发动机的转速处于第五阈值；
获得第一时间阈值内所述第一氧传感器的第一反馈电压值；
获得第一氧传感器的传感器图像信息；
依据所述第一反馈电压值、所述传感器图像信息判断所述第一氧传感器是否损坏。
6.根据权利要求1所述的方法，其特征在于，依据所述第一故障分析结果，获得第一预警信息，所述方法还包括：
由所述第一故障分析结果，获得第一故障申报信息；
获得第一检修点信息；
将所述第一检修点信息发送至第一用户，由所述第一用户确认后，获得第一发送指令；
依据所述第一发送指令，将所述第一故障申报信息发送至第一检修点。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
由所述第一加速指令触发速度校验窗口；
以所述速度校验窗口执行所述发动机的连续数据采集，建立转速时序变化数据集；
对所述转速时序变化数据集进行转速分析，获取稳态转速数据的时序节点；
基于所述时序节点和所述第一加速指令进行响应时长评价，生成第一辅助异常值；
基于所述转速时序变化数据集进行转速的时序拟合，建立转速拟合曲线；
对所述转速拟合曲线进行转速提升的线性度评价，生成第二辅助异常值；
通过所述第一辅助异常值和所述第二辅助异常值进行所述第一故障分析结果补偿；
根据补偿结果生成所述第一预警信息。
8.一种基于车速分析的助力车故障检测装置，应用于一智能管理***，其特征在于，所述装置包括：
获得单元，所述获得单元用于获得第一启动指令；
判断单元，所述判断单元用于判断第一助力车是否正常启动，若正常，获得第一助力车的发动机的第一转速信息，其中，所述第一转速信息处于第一阈值；
车速获取单元，所述车速获取单元用于当所述第一转速信息处于第一阈值时，获得第一车速信息；
输入单元，所述输入单元用于将所述第一转速信息、所述第一车速信息输入预处理网络，判断所述第一车速信息是否存在异常；
加速单元，所述加速单元用于若所述第一车速信息不存在异常，获得第一加速指令；
加速执行单元，所述加速执行单元用于由所述第一加速指令，获得所述发动机的第二转速信息；
计算单元，所述计算单元用于依据所述第一转速信息和所述第二转速信息，获得第一转速变化率；
声音采集单元，所述声音采集单元用于声音数据通过布置在发动机位置的声音传感器进行实时声音数据采集，获得发动机运转的声音数据；
图像采集单元，所述图像采集单元用于通过布设在排气管的传感器执行同步数据采集，建立排气管的图像信息；
智能判别单元，所述智能判别单元用于将所述第一转速变化率、所述声音数据和所述图像信息输入至智能判别网络，获得第一故障分析结果；
预警单元，所述预警单元用于依据所述第一故障分析结果，获得第一预警信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410129811.5A CN117682000B (zh) | 2024-01-31 | 2024-01-31 | 一种基于车速分析的助力车故障检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410129811.5A CN117682000B (zh) | 2024-01-31 | 2024-01-31 | 一种基于车速分析的助力车故障检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117682000A true CN117682000A (zh) | 2024-03-12 |
| CN117682000B CN117682000B (zh) | 2024-05-28 |
Family
ID=90139304
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410129811.5A Active CN117682000B (zh) | 2024-01-31 | 2024-01-31 | 一种基于车速分析的助力车故障检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117682000B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0837234A1 (en) * | 1996-10-15 | 1998-04-22 | Ford Global Technologies, Inc. | Method and system for estimating a midbed temperature of a catalytic converter |
| US20050138997A1 (en) * | 2003-12-24 | 2005-06-30 | Denso Corporation | Throttle system abnormality determination apparatus |
| CN105604664A (zh) * | 2015-12-23 | 2016-05-25 | 北京工业大学 | 基于obd检测数据的车辆排放远程监测*** |
| CN107117148A (zh) * | 2017-04-06 | 2017-09-01 | 西安工业大学 | 一种机械电子液压制动*** |
| CN109084997A (zh) * | 2018-09-14 | 2018-12-25 | 淮安信息职业技术学院 | 一种自动化的新能源汽车故障检测装置及检测方法 |
| CN115979661A (zh) * | 2022-12-15 | 2023-04-18 | 无锡赛思亿电气科技有限公司 | 基于深度学习和改进证据融合理论的船用柴油机故障诊断方法 |
-
2024
- 2024-01-31 CN CN202410129811.5A patent/CN117682000B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0837234A1 (en) * | 1996-10-15 | 1998-04-22 | Ford Global Technologies, Inc. | Method and system for estimating a midbed temperature of a catalytic converter |
| US20050138997A1 (en) * | 2003-12-24 | 2005-06-30 | Denso Corporation | Throttle system abnormality determination apparatus |
| CN105604664A (zh) * | 2015-12-23 | 2016-05-25 | 北京工业大学 | 基于obd检测数据的车辆排放远程监测*** |
| CN107117148A (zh) * | 2017-04-06 | 2017-09-01 | 西安工业大学 | 一种机械电子液压制动*** |
| CN109084997A (zh) * | 2018-09-14 | 2018-12-25 | 淮安信息职业技术学院 | 一种自动化的新能源汽车故障检测装置及检测方法 |
| CN115979661A (zh) * | 2022-12-15 | 2023-04-18 | 无锡赛思亿电气科技有限公司 | 基于深度学习和改进证据融合理论的船用柴油机故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 司景萍;马继昌;牛家骅;王二毛;: "基于模糊神经网络的智能故障诊断专家***", 振动与冲击, no. 04, 28 February 2017 (2017-02-28) * |
| 马继昌;司景萍;牛嘉骅;王二毛;: "基于自适应模糊神经网络的发动机故障诊断", 噪声与振动控制, no. 02, 18 April 2015 (2015-04-18) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117682000B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP1705357B1 (en) | Method and a relative device for diagnosing misfire or partial combustion conditions in an internal combustion engine | |
| CN110985200B (zh) | 消除喘振的控制方法及装置 | |
| CN115268417B (zh) | 一种自适应ecu故障诊断控制方法 | |
| CN104919298A (zh) | 基于排气歧管压力的内燃发动机不点火检测 | |
| CN112580267A (zh) | 基于多分支特征融合网络的航空发动机喘振预测方法 | |
| CN113176036B (zh) | 一种发动机进气压力传感器的故障检测方法及装置 | |
| US7251990B2 (en) | Method and a relative device for diagnosing misfire or partial combustion conditions in an internal combustion engine | |
| CN113700558B (zh) | 柴油发动机空气***故障检测方法 | |
| US20210025342A1 (en) | Method and system for aftertreatment control | |
| CN102374094A (zh) | 发动机失火故障诊断方法 | |
| CN117682000B (zh) | 一种基于车速分析的助力车故障检测方法及装置 | |
| CN113669142B (zh) | 一种发动机原排碳烟质量流量估算方法及装置 | |
| CN117877256A (zh) | 基于数字孪生的车辆故障预测方法及*** | |
| CN112177811B (zh) | 一种电控柴油机egr***流量远程在线监控方法 | |
| CN116992247B (zh) | 一种尾气分析仪的异常数据检测方法 | |
| CN112993344A (zh) | 基于神经网络的燃料电池***输出性能预测方法及装置 | |
| CN113741196B (zh) | 一种基于车联网大数据的dpf再生周期控制优化方法 | |
| CN113982727A (zh) | 一种基于LSTM的加速过程NOx排放识别方法 | |
| CN110685830B (zh) | 检测阀门控制偏差过大的方法、装置、设备及存储介质 | |
| CN116576033B (zh) | 一种基于车联网大数据的发动机空燃比的预测与监控方法 | |
| CN115840891A (zh) | 一种发动机进气量预测方法、装置及存储介质 | |
| CN115045768A (zh) | 一种发动机进气量预测方法、装置及存储介质 | |
| CN113638813B (zh) | 一种汽车ecu回用件检测装置及方法 | |
| CN111775943B (zh) | 通过对驾驶行为的预测控制来降低发动机排放的方法 | |
| CN117552854A (zh) | 一种车辆曲轴箱通风***结冰程度的预测方法和装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |