一种车辆故障检测方法和装置的制造方法
一种车辆故障检测方法和装置的制造方法
【专利说明】
[0001] 本申请要求于2015年04月20日提交中国专利局、申请号为201510189349. 9、发 明名称为"一种车辆故障检测方法和装置"的中国专利申请的优先权，其全部内容通过引用 结合在本申请中。
技术领域
[0002] 本发明涉及车辆技术领域，尤其涉及一种车辆故障检测方法和装置。
【背景技术】
[0003] 车辆是一个复杂的机械系统，它由数千种零部件构成。在车辆不解体的情况下，如 果用户根据车辆的一些异常现象就能准确地对车辆的当前故障原因作出判断，这无疑提高 车辆使用的可靠性、经济性和安全性，同时也会减少盲目维修产生的费用。
[0004] 由于发动机是车辆的动力源，是车辆的心脏。如果在发动机不解体的情况下，用户 根据发动机的一些异常现象就能准确地对发动机的当前故障原因作出判断，例如，当发动 机出现转动但不着火的现象时，用户能够分析出导致产生这个现象的原因是发动机内有烧 结物。这无疑会提高车辆使用的可靠性，经济性和安全性，同时也会减少盲目维修产生的费 用。
【发明内容】
[0005] 有鉴于此，本发明的第一方面提供了一种车辆故障检测方法，以根据车辆出现的 故障现象检测到导致该故障现象的故障原因。
[0006] 基于本发明的第一方面，本发明的第二方面提供了一种车辆故障检测装置。
[0007] 为了达到上述发明目的，本发明采用了如下技术方案：
[0008] -种车辆故障检测方法，所述检测方法包括：
[0009] 采集车辆在不同故障类别下的故障现象数据；
[0010] 根据故障规则知识库赋予所述故障现象数据相应的权重值；所述故障规则知识库 内包括多种类别的故障，每一类别的故障包括至少一个故障现象，每一故障现象对应不同 的权重值；
[0011] 根据赋予权重值后的所述故障现象数据生成车辆故障检测模型的输入向量，所述 输入向量的维数与所述故障规则知识库内的故障类别数量相同；
[0012] 将所述输入向量输入到所述车辆故障检测模型；
[0013] 所述车辆故障检测模型分析处理所述输入向量，得到导致所述故障现象数据的故 障原因。
[0014] 可选地，所述故障规则知识库包括故障原因现象规则，每条所述故障原因现象规 则包括不同故障类别下的故障现象数据和与该故障现象数据对应的故障原因，所述车辆故 障检测模型通过对故障规则知识库内的至少一条所述故障原因现象规则进行训练得到。
[0015] 可选地，所述故障规则知识库包括故障类别现象表、故障原因表和故障规则表；
[0016] 所述故障类别现象表包括第一变量、故障类别、故障现象以及每一故障现象对应 的权重值，每一故障类别对应一个第一变量，每一故障类别包括至少一个故障现象；
[0017] 所述故障原因表包括第二变量和故障原因，每一所述第二变量对应一个故障原 因；
[0018] 所述故障规则表包括至少一条故障原因现象规则，每条故障原因现象规则包括相 互对应的第一变量和第二变量，其中，所述第一变量的数值为故障类别下的故障现象对应 的权重值。
[0019] 可选地，所述车辆故障检测模型为BP神经网络识别模型，所述BP神经网络识别模 型包括输入层、隐藏层和输出层。
[0020] 可选地，将一条故障原因现象规则中的故障类别下的故障现象数据 Xpx2,x3, . . .，xjlL成所述BP神经网络的输入向量X，其中，X=[Xx2,x3,. . .，xn]T，n为故 障类别的数量，并且n为正整数；
[0021] 将该条故障原因现象规则中的故障原因yi，y2,y3,...，yi且成所述BP神经网络的 期望输出向量Y，其中，Y= [yi，y2,y3, . . .，ym]T，m为故障原因的数量，并且m为正整数；
[0022] 所述对故障规则知识库内的至少一条所述故障原因现象规则进行训练，具体包 括：
[0023]I、根据所述输入向量X和所述期望输出向量Y确定BP神经网络识别模型输入 层节点数n、隐藏层节点数1、输出层节点数m;初始化输入层与隐藏层的连接权值a隐 藏层与输出层的连接权值0#，初始化隐藏层各神经元的阈值je{1，2，...，1}，输出 层各神经元阈值bk，kG{l，2，...，m}，自动筛选学习率n，神经元激励函数Sigmond函数
?l^i^n, l^k^m；
[0024]II、根据所述输入向量X、输入层与隐藏层间的连接权值au及隐藏层阈值^_，获 取隐藏层输出hj;
[0025] 其中，
，j e {1，2,? ? ?，1};其中，f(x)为隐藏层激励函 数；
[0026]III、根据隐藏层输出hj，隐藏层与输出层的连接权值0 #和输出层各神经元阈值 bk，获取BP神经网络识别模型的预测输出〇k;
[0028]IV、根据BP神经网络识别模型的的预测输出〇k和期望输出yk，计算BP神经网络 识别模型的误差ek,ek= 〇k_yk,kG{1，2, ? ? ?，m};
[0029]V、根据BP神经网络识别模型的误差ek更新输入层与隐藏层的连接权值au和隐 藏层与输出层的连接权值0jk，根据BP神经网络识别模型的误差ek更新隐藏层各神经元的 阈值a#P输出层各神经元阈值bk;
[0031] |3jk- |3jk+nhjek，jG{1，2,? ? ?，1};
[0033]bk-bk+ek，kG {1，2,? ??，m};
[0034]VI、当BP神经网络识别模型的误差和E不小于预设阈值或者当当前训练次数未超 过预设次数时，返回执行所述II。
[0035] 相应地，本发明还提供了一种车辆故障检测装置，所述检测装置包括：
[0036] 采集单元，用于采集车辆在不同故障类别下的故障现象数据；
[0037] 权重值赋予单元，用于根据故障规则知识库赋予所述故障现象数据相应的权重 值；所述故障规则知识库内包括多种类别的故障，每一类别的故障包括至少一个故障现象， 每一故障现象对应不同的权重值；
[0038] 向量生成单元，用于根据赋予权重值后的所述故障现象数据生成车辆故障检测模 型的输入向量，所述输入向量的维数与所述故障规则知识库内的故障类别数量相同；
[0039] 输入单元，用于将所述输入向量输入到所述车辆故障检测模型；
[0040] 分析处理单元，用于分析处理所述输入向量，得到导致所述故障现象数据的故障 原因。
[0041] 可选地，所述故障规则知识库包括故障原因现象规则，每条所述故障原因现象规 则包括不同故障类别下的故障现象数据和与该故障现象数据对应的故障原因，所述车辆故 障检测模型通过对故障规则知识库内的至少一条所述故障原因现象规则进行训练得到。
[0042] 可选地，所述故障规则知识库包括故障类别现象表、故障原因表和故障规则表；
[0043] 所述故障类别现象表包括第一变量、故障类别、故障现象以及每一故障现象对应 的权重值，每一故障类别对应一个第一变量，每一故障类别包括至少一个故障现象；
[0044] 所述故障原因表包括第二变量和故障原因，每一所述第二变量对应一个故障原 因；
[0045] 所述故障规则表包括至少一条故障原因现象规则，每条所述故障原因现象规则包 括相互对应的第一变量和第二变量，其中，所述第一变量的数值为故障类别下的故障现象 对应的权重值。
[0046] 可选地，所述车辆故障检测模型为BP神经网络识别模型，所述BP神经网络识别模 型包括输入层、隐藏层和输出层。
[0047] 可选地，还包括训练单元，所述训练单元包括：
[0048]初始化单元，用于根据输入向量X和期望输出向量Y确定BP神经网络识别模型 输入层节点数n、隐藏层节点数1、输出层节点数m;初始化输入层与隐藏层的连接权值a 隐藏层与输出层的连接权值f^_k，初始化隐藏层各神经元的阈值je{1，2，...，1}，输出 层各神经元阈值bk，kG{l，2，...，m}，自动筛选学习率n，神经元激励函数Sigmond函数
;1彡i彡n，1彡j彡1，1彡k彡m;其中，所述输入向量X由一条故障原因 现象规则中的故障类别下的故障现象数据Xl，x2,x3,. . .，xn组成，n为故障类别的数量，并且n为正整数；所述期望输出向量Y由该条故障原因现象规则中的故障原因yi，y2,y3,. . .，ym 组成；
[0049 ] 隐藏层输出获取单元，用于根据所述输入向量X、输入层与隐藏层间的连接权值 au及隐藏层阈值a」，获取隐藏层输出hj;
[0050]其中，
，je{1，2，...，1};其中，f(x)为隐藏层激励函 数；
[0051] 预测输出获取单元，用于根据隐藏层输出tv隐藏层与输出层的连接权值0#和 输出层各神经元阈值bk，获取BP神经网络识别模型的预测输出〇k;
[0053] 误差计算单元，用于根据BP神经网络识别模型的的预测输出〇k和期望输出yk，计 算BP神经网络识别模型的误差ek,ek= 〇k_yk,kG{1，2,? ? ?，m};
[0054] 第一更新单元，用于根据BP神经网络识别模型的误差ek更新输入层与隐藏层的 连接权值au和隐藏层与输出层的连接权值jk，
[0056] 0Jk-Jk+nhjek,jG {1,2, . . . ,1}；
[0057] 第二更新单元，用于根据BP神经网络识别模型的误差ek更新隐藏层各神经元的 阈值a#P输出层各神经元阈值bk，
[0059] bk- b k+ek，k G {1，2, ? ? ?，m};
[0060]返回单元，用于当BP神经网络识别模型的误差和E不小于预设阈值或者当当前训 练次数未超过预设次数时，返回执行所述BP神经网络识别模型的预测输出获取单元的操 作。
[0061] 相较于现有技术，本发明具有以下有益效果：
[0062] 本发明提供的车辆故障检测方法中，通过车辆故障检测模型检测车辆的故障原 因。具体地，用户采集车辆在不同故障类别下的故障现象数据并赋予不同的权重值，赋予权 重值后的故障现象数据生成车辆故障检测模型的输入向量，将该输入向量输入到车辆故障 检测模型，最后由车辆故障检测模型分析得出导致故障现象数据的故障原因。因此，通过本 发明提供的车辆故障检测方法，用户可以将采集的故障现象数据输入到车辆故障模型中， 通过车辆故障模型获知导致该故障现象的故障原因。
[0063] 所以，通过本发明提供的车辆故障检测模型，任何一个用户根据发动机的故障现 象能够较为便捷地获取导致该故障现象的故障原因。因此该检测方法提高了车辆使用的可 靠性，经济性和安全性，同时也会减少维修人员的盲目维修产生的费用。
【附图说明】
[0064] 为了较为清楚地理解本发明的技术方案，下面对描述本发明的【具体实施方式】时用 到的附图做一简要说明。显而易见地，这些附图仅是本发明的部分实施例，本领域普通技术 人员在未付出创造性劳动的前提下，还可以获得其它附图。
[0065]图1是BP神经网络的结构示意图；
[0066] 图2是BP神经网络对故障规则知识库内的多条故障原因现象规则进行训练的方 法流程示意图；
[0067] 图3本发明实施例提供的BP神经网络识别模型的结构示意图；
[0068]图4是本发明实施例提供的车辆故障检测方法流程示意图；
[0069]图5是本发明实施例提供的采集车辆在不同故障类别下的故障现象数据的输入 界面示意图；
[0070] 图6是本发明实施例提供的用户根据车辆冷却水温超过100度的故障现象获取的 车辆检测结果示意图；
[0071]图7是本发明实施例提供的车辆维修信息示意图；
[0072]图8是本发明实施例提供的车辆故障检测装置的结构示意图；
[0073] 图9是本发明实施例提供的训练单元的结构示意图。
【具体实施方式】
[0074] 为使本发明的目的、技术方案、有益效果更加清楚完整，下面结合附图对本发明的
【具体实施方式】进行详细说明。
[0075]在描述本发明的【具体实施方式】之前，首先介绍下本发明实施例用到的故障规则知 识库。
[0076] 需要说明的是，本发明提供的车辆故障检测方法之所以能够检测到车辆故障原 因，一个重要的前提就是本发明建立的故障规则知识库。
[0077] 该故障规则知识库是根据汽车故障先验知识建模获得的，构建的故障规则知识以 数据库的形式保存。在本发明提供的故障规则知识库内包括多种类别的故障，每一类别的 故障包括至少一个故障现象，每一故障现象对应不同的权重值，所述权重值反映车辆在该 故障类别下的故障严重程度。当在某一故障类别中没有出现故障现象时，设定权重值为0。 例如，在发动机启动困难这类故障中，设置有4种故障现象：现象一、发动机不转，现象二、 发动机转动但不着火，现象三、发动机能启动但立即熄火，现象四、正常启动，则这四种现象 对应的权重值依次分别为1、〇. 8、0. 3和0。
[0078]进一步地，故障规则知识库包括的多种故障类别，每一故障类别包括的故障现象 以及每一现象对应的权重值可以以表格的形式存在。为了方便描述，将该表格定义为故障 类别现象表。作为本发明的一个【具体实施方式】，如表1所示，该故障类别现象表包括第一变 量、故障类别、故障现象以及每一故障现象对应的权重值。其中，第一变量的数量与故障类 别的数量相同，每一故障类别对应一个第一变量，如表1所示，发动机启动困难这类故障对 应第一变量xl。作为本发明的一个【具体实施方式】，本发明实施例将发动机故障划分为20个 类别，这20个故障类别与20个第一变量Xpx2、…、x2(l 对应。
[0079]表1
[0080]
[0081] 另外，在故障规则知识库内还包括故障原因表，如表2所示。该故障原因表包括第 二变量和故障原因，每一所述第二变量对应一个故障原因，如表2所示，第二变量yl对应的 故障原因是发动机内有烧结物。作为本发明的一个【具体实施方式】，本发明实施例共有16个 引起发动机故障的原因。因此，在车辆故障检测模型的输出层共有16个第二变量。
[0082] 表 2
[0084] 此外，故障规则知识库内还包括故障规则表，所述故障规则表包括多条规则，每一 条规则均包括相互对应的第一变量和第二变量，其中，第一变量的数值为不同故障类别下 的故障现象对应的权重值。
[0085] 当故障类别为20时，在每条规则中，包括20个第一变量，如果车辆在某一故障类 别下没有发生故障时，则该对应的第一变量值为〇。
[0086] 如表3所示，每列数据表示一条规则，例如第一列，有x2= 0. 7,x3= 0. 7,x4 = 0. 7,x5= 0. 7,x6= 1;y 1，其对应着"冷却液水温异常~90-100度，发动机油压异常~ 怠速时小于〇. 〇3MPa、正常时小于0.IMPa，发动机怠速异常~怠速时抖动厉害，发动机加速 不良~转速不增加，有爆震~尖锐的敲击声；发动机内有烧结物"也就是说当冷却液水温在 90-100度、怠速时油压小于0. 03MPa且正常时小于0.IMPa、怠速时抖动厉害、发动机加速时 转速不增加和发动机有尖锐的敲击声现象时，可以判定其发生的故障原因为发动机内有烧 结物。
[0087]表 3
[0088]
[0089] 需要说明的是，上述所述的以表格的形式存在的故障规则知识库内的数据只是故 障规则知识库的一种具体实现形式。实际上，本发明实施例提供的故障规则知识库不限于 上述形式，只要包括故障类别，每一故障类别包括的故障现象、每一故障现象对应的权重 值，以及故障原因现象规则数据的数据库均可以作为本发明的故障规则知识库。其中，每条 所述故障原因现象规则包括不同故障类别下的故障现象权重值和与该故障现象权重值对 应的故障原因。
[0090] 以上为本发明实施例提供的车辆故障检测方法得以实现的一个重要前提：故障规 则知识库。作为本发明实施例提供的车辆故障检测方法得以实现的另外一个重要前提是： 车辆故障检测模型。
[0091] 车辆故障检测模型是通过对故障规则知识库内的多条故障原因现象规则进行训 练得到的。当故障原因现象规则以故障规则表的形式存在时，车辆故障检测模型通过对故 障规则表中的数据进行训练得到。
[0092] 其中，故障现象数据作为车辆故障检测模型的输入，故障原因作为车辆故障检测 模型的输出。在训练过程中，将故障规则知识库内的故障现象数据作为车辆故障检测模型 的输入，将与故障现象数据相对的故障原因作为车辆故障检测模型的期望输出，通过多次 训练，最终得到车辆故障检测模型。
[0093] 作为本发明的一个具体实施例，上述所述的车辆故障检测模型可以是BP神经网 络模型通过对故障规则知识库内的数据进行训练得到的BP神经网络识别模型。其中，BP 神经网络是一种基于误差方向传播的多层前馈网络，是目前应用最广泛的神经网络模型之 一。理论上， 一个三层BP神经网络可以逼近任意连续函数，其包含输入层、隐藏层和输出 层，该BP神经网络的结构示意图如图1所示。
[0094] 在本发明实施例中，将任意一条故障原因现象规则中的所有故障类别下的 故障现象权重值Xpx2,x3, . . .，xji成所述BP神经网络模型的输入向量X，其中，X= [Xl，x2,x3,. . .，xn]T，n为故障类别的数量，并且n为正整数；其中，输入向量X为n维特征向 量，该n维特征向量中的每一个分向量为每类故障类别对应的故障现象权重值。将这些故 障类别对应的故障现象权重值按照一定的顺序排列起来就组成了n维特征向量。
[0095] 将该条故障原因现象规则中的故障原因yi，y2,y3,...，yi且成所述BP神经网络模 型的期望输出向量Y，其中，Y= [71，72,73，...，7"1]'!11为故障原因的数量，并且 111为正整数。
[0096] BP神经网络对故障规则知识库内的多条故障原因现象规则进行训练的过程如图 2所示，其包括：
[0097] S201、根据所述输入向量X和所述输出向量Y确定BP神经网络识别模型输入层 节点数n、隐藏层节点数1、输出层节点数m;初始化输入层与隐藏层的连接权值ap隐藏 层与输出层的连接权值f^_k，初始化隐藏层各神经元的阈值je{1，2，...，1}，输出层 各神经元阈值bk，kG{l，2，...，m}，自动筛选学习率n，神经元激励函数Sigmond函数
；l^i^n, l^k^m：
[0098] 其中，作为本发明的一个【具体实施方式】，隐藏层节点数1 = 3, 6, 9,…，
其中
向上取整；
[0099] 输入层与隐藏层的连接权值au初始化时的取值范围为〇 <a1 ;
[0100] 隐藏层与输出层的连接权值ejk初始化时的取值范围为〇 <ejk< 1 ;
[0101] 隐藏层各神经元的阈值h初始化时的取值范围是0 ;
[0102] 输出层各神经元阈值bk初始化时的取值范围是bk= 0 ;
[0103]学习率n初始化时的取值为n= 〇. 1;
[0104] 在神经元激励函数Sigmond函数
，其中y=0.1。
[0105]S202、根据所述输入向量X、输入层与隐藏层间的连接权值au及隐藏层各神经元 阈值\_，获取隐藏层输出hj;
[0106]其中，
，je{1，2,? ? ?，1};其中，f(x)为隐藏层激励函 数；
[0107]S203、根据隐藏层输出hj，隐藏层与输出层的连接权值|3 jk和输出层各神经元阈 值bk，获取BP神经网络识别模型的预测输出〇k;
[0109]S204、根据BP神经网络识别模型的的预测输出〇k和期望输出yk，计算BP神经网 络识别模型的误差ek:
[0110] 其中，BP神经网络识别模型的误差ek的计算公式如下：
[0111] ek= 〇k-yk,kG{1, 2, . . . ,m}；
[0112] S205、根据BP神经网络识别模型的误差ek更新输入层与隐藏层的连接权值au和 隐藏层与输出层的连接权值0jk，
[0114] |3 jk- |3 jk+nhjek，jG{1，2, ? ? ?，1};
[0115]S206、根据BP神经网络识别模型的误差ek更新隐藏层各神经元的阈值a」和输出 层各神经元阈值bk，
[0117]bk-bk+ek，kG{1，2,? ? ?，m}〇
[0118]S207、判断BP神经网络识别模型的误差和E是否小于预设阈值e或者判断当前 训练次数是否超过预设次数I:
[0119] 其中，BP神经网络误差和E的计算公式如下：
[0121] 作为本发明的一个【具体实施方式】，所述预设阈值e的取值范围为集合{1〇1,i= 1，2,…8}。所述预设次数I的取值范围为集合{1(^|，i= 2, 3, 4, 5}。
[0122] 当BP神经网络识别模型的误差和E小于预设阈值或者当当前训练次数超过预设 次数，则训练结束，并且将当前BP神经网络识别模型作为最终的车辆故障检测模型。
[0123] 当BP神经网络识别模型的误差和E不小于预设阈值或者当当前训练次数未超过 预设次数时，返回执行步骤S202,进行下一次训练过程。
[0124] 需要说明的是，预设次数可以为BP神经网络识别模型的训练的最大次数。
[0125] 图3为当前BP神经网络识别模型的结构示意图，该当前BP神经网络识别模型为 最终的车辆故障检测模型。其中，不同汽车故障类别下的故障现象数据作为车辆故障检测 模型的输入层，车辆故障检测模型对输入的故障现象数据进行处理分析，在车辆故障检测 模型的输出层得到导致该故障现象数据的故障原因，也就是说，车辆故障检测模型的输出 层为推导出的故障原因。作为本发明的一个【具体实施方式】，本发明实施例将车辆故障划分 为20个类别，因此，在车辆故障检测模型的输入层对应一个20维的特征向量。同时，本发 明实施例中共有16个引起车辆故障的原因。因此，在车辆故障检测模型的输出层共有16 个第二变量。
[0126] 基于上述所述的故障规则知识库和车辆故障模型，本发明提供了一种车辆故障检 测方法的【具体实施方式】。图4是本发明实施例提供的车辆故障检测方法的流程示意图。如 图4所示，该检测方法包括以下步骤：
[0127]S401、采集车辆在不同故障类别下的故障现象数据：
[0128] 具体地，可以通过一个输入界面采集车辆在不同故障类别下的故障现象数据。该 输入界面如图5所示。用户可以将自己觉察得到的故障现象通过该输入界面输入到车辆故 障检测装置，以使车辆故障检测装置采集到车辆在不同故障类别下的故障现象数据。需要 说明的是，本步骤采集的故障现象数据包括车辆运行状况正常时的现象数据。
[0129] 作为本发明的一个具体实施例，可以有如下故障现象数据：发动机启动困难、冷却 水温异常、发动机油压异常、发动机怠速异常、发动机加速不良、有爆震、进气温度异常、进 气歧管压力异常、怠速时节气门位置异常、匀速运行时喷油脉冲宽度较短、氧传感器异常、 发动机动力不足、发动机减速不良、发动机油耗过大、发动机点火不正常、发动机进气管回 火、排气管放炮、发动机喘抖、发动机有时失速、发动机间歇熄火等等。
[0130]S402、根据故障规则知识库赋予所述故障现象数据对应的权重值：
[0131] 根据先验知识建立的故障规则知识库中，每类故障包括不同故障程度的故障现 象，不同故障程度的故障现象对应不同的权重值。
[0132] 因此，本步骤可以根据故障规则知识库对上述步骤S401采集的故障现象数据赋 予与其对应的权重值。也就是将采集到的的故障现象数据进数字化。
[0133] 需要说明的是，当发动机在某一故障类别下的运行状况正常时，则赋予该类别的 故障现象数据的权重值为0。
[0134] 例如，在故障规则知识库内存在发动机启动困难这类故障，其有现象1 :发动机不 转、现象2 :发动机转动但不着火、现象3 :发动机能启动但立即熄火、现象4 :正常启动，且 在故障知识库中的权重依次是l、〇. 8、0. 3、0。当步骤S401采集的故障现象之一是发动机转 动但不着火，即现象2,则在该步骤S402中，对该故障现象数据赋予的权重值为0. 8。
[0135]S403、根据赋予权重值后的所述故障现象数据形成车辆故障检测模型的输入向 量：
[0136] 假设在故障规则知识库中共有20个故障类别，则车辆故障检测模型的输入向量 为20维的特征向量。
[0137] 将赋予权重值后的故障现象数据按照一定顺序排列起来，形成车辆故障检测模型 的输入向量X。
[0138] 设定不同故障类别下的故障现象数据分别为Xl、x2、x3、…、x2(l，则形成的输入向量 X表为[X〗，x2，x3，? ? ?，x20]。
[0139]S404、将所述输入向量输入到所述车辆故障检测模型。
[0140]S405、所述车辆故障检测模型分析处理所述输入向量，得到导致所述故障现象数 据的故障原因：
[0141] 需要说明的是，通过本发明实施例提供的车辆故障检测模型得到的故障原因包括 一定存在的故障原因和可能存在的故障原因。
[0142] 车辆故障检测模型对输入向量进行推理分析，从而得到导致故障现象数据的确定 故障原因和可能故障原因。
[0143] 在本发明实 施例中，这些故障原因共有16个，其分别为发动机内有烧结物、点火 时刻不对、冷却液水温传感器故障、线路故障、电动汽油泵故障、喷油器故障、火花塞故障、 节气门故障、怠速控制阀故障、点火系统故障、进气系统有漏气、润滑系统故障、空气滤清器 堵塞、空气流量计或进气歧管绝对压力传感器故障。
[0144] 以上为本发明实施例提供的车辆故障检测方法的【具体实施方式】。通过本发明实施 例提供的车辆故障检测方法，用户采集车辆在不同故障类别下的故障现象数据并赋予不 同的权重值，赋予权重值后的故障现象数据生成车辆故障检测模型的输入向量，将该输入 向量输入到车辆故障检测模型，最后由车辆故障检测模型分析得出导致故障现象数据的故 障原因。因此，通过本发明提供的车辆故障检测方法，用户可以将采集的故障现象数据输入 到车辆故障模型中，通过车辆故障模型获知导致该故障现象的故障原因。
[0145] 所以，通过本发明提供的车辆故障检测模型，任何一个用户根据车辆故障现象能 够较为便捷地获取导致该故障现象的故障原因。因此该检测方法提高了车辆使用的可靠 性，经济性和安全性，同时也会减少维修人员的盲目维修产生的费用。
[0146] 作为示例，图6示出了一位用户根据车辆冷却水温超过100度的故障现象获取的 车辆检测结果。该车辆检测结果中没有一定存在的故障，其可能存在的故障包括：冷却液水 温传感器故障和润滑系统故障。此外，该车辆检测结果还包括基于逻辑推理的发动机故障 分析结果。因此，本发明提供的基于故障现象数据的发动机故障检测方法能够为用户提供 重要的检测参考信息。
[0147]另外，本发明提供的基于故障现象数据的车辆故障检测方法还能够为车辆维修人 员提供重要的车辆维修信息，作为示例，如图7所示，其为一名维修人员根据车辆冷却水温 90-100度、发动机油压怠速时小于0. 03MPa，正常时小于0.IMPa、怠速时抖动厉害、发动机 加速时转速不增加和有尖锐的敲击声等故障现象获取的检测结果。该检测结果包括一定存 在的故障、基于信号分析的发动机故障分析结果和基于逻辑推理的车辆故障分析结果。
[0148] 此外，本发明提供的车辆故障检测方法可以集成到汽车故障诊断设备中作为维修 人员检测汽车故障的辅助工具。此外，本发明提供的车辆故障检测方法既能够适合云计算 分析，也可以适用于手机、电脑等终端设备上。
[0149] 需要说明的是，上述所述的故障规则知识库可以包括车辆的不同部件的故障规则 知识。利用这些不同部件的故障规则知识，可以建立不同部件的故障检测模型，从而能够对 车辆的不同部件的故障进行检测。
[0150] 需要着重说明的是，由于发动机是车辆的动力源，是车辆的故障，因此，上述所述 的故障规则知识库可以具体为车辆发动机的故障规则知识库，利用该车辆发动机的故障规 则知识库，建立车辆发动机的故障检测模型，用户根据察觉到的发动机故障现象，并利用 该车辆发动机的故障检测模型，可以检测到车辆发动机的故障原因。
[0151] 基于上述实施例提供的车辆故障检测方法，本发明实施例还提供了一种车辆故障 检测装置。具体参见以下实施例。
[0152]图8是本发明实施例提供的车辆故障检测装置的结构示意图。如图8所示，该检 测装置包括以下单元：
[0153] 采集单元81，用于采集车辆在不同故障类别下的故障现象数据；
[0154] 权重值赋予单元82,用于根据故障规则知识库赋予所述故障现象数据相应的权重 值；所述故障规则知识库内包括多种类别的故障，每一类别的故障包括至少一个故障现象， 每一故障现象对应不同的权重值；
[0155] 向量生成单元83,用于根据赋予权重值后的所述故障现象数据生成车辆故障检测 模型的输入向量，所述输入向量的维数与所述故障规则知识库内的故障类别数量相同；
[0156] 输入单元84,用于将所述输入向量输入到所述车辆故障检测模型；
[0157] 分析处理单元85,用于分析处理所述输入向量，得到导致所述故障现象数据的故 障原因。
[0158] 通过本发明实施例提供的车辆故障检测装置，用户将觉察到的故障现象输入到车 辆故障检测装置中，检测装置通过内部处理分析，即可得到导致该故障现象的故障原因。因 此，通过本发明实施例提供的车辆故障检测装置能够使得用户根据车辆的故障现象能够较 为便捷地获取导致该故障现象的故障原因。因此该检测装置提高了车辆使用的可靠性，经 济性和安全性，同时也会减少维修人员的盲目维修产生的费用。
[0159] 进一步地，本发明实施例提供的车辆故障检测装置还可以包括训练单元，如图9 所示，所述训练单元包括：
[0160] 初始化单元91，用于根据输入向量X和期望输出向量Y确定BP神经网络识别模型 输入层节点数n、隐藏层节点数1、输出层节点数m;初始化输入层与隐藏层的连接权值a 隐藏层与输出层的连接权值f^_k，初始化隐藏层各神经元的阈值je{1，2，...，1}，输出 层各神经元阈值bk，kG{1，2，...，!11}，自动筛选学习率11，神经元激励函数318111〇11(1函数
;1彡i彡n，l彡j彡1,1彡k彡m;其中，所述输入向量X由故障原因现象 规则中的故障类别下的故障现象数据Xl，x2,x3,. . .，xn组成，n为故障类别的数量，并且n为 正整数；所述期望输出向量Y由故障原因现象规则中的故障原因yi，y2,y3,. . .，yi且成；
[0161] 其中，作为本发明的一个【具体实施方式】，隐藏层节点数1 = 3, 6, 9,…，
， 其中，
向上取整；
[0162] 输入层与隐藏层的连接权值a^初始化时的取值范围为〇 <a1 ;
[0163] 隐藏层与输出层的连接权值0jk初始化时的取值范围为0 < 0 jk< 1;
[0164] 隐藏层各神经元的阈值a』初始化时的取值范围是aj=0;
[0165]输出层各神经元阈值bk初始化时的取值范围是bk= 0;
[0166] 学习率n初始化时的取值为n= 〇.1;
[0167] 在神经元激励函数Sigmond函数
，其中，y=0.1。
[0168] 隐藏层输出获取单元92,用于根据所述输入向量X、输入层与隐藏层间的连接权 值au及隐藏层阈值a^获取隐藏层输出hj;
[0169]其中：
，je{1，2,? ? ?，1};其中，f(x)为隐藏层激励函 数；
[0170] 预测输出获取单元93,用于根据隐藏层输出hj，隐藏层与输出层的连接权值0Jk 和输出层各神经元阈值bk，获取BP神经网络识别模型的预测输出〇k;
[0172] 误差计算单元94,用于根据BP神经网络识别模型的的预测输出〇k和期望输出yk， 计算BP神经网络识别模型的误差ek,ek= 〇k_yk,kG{1，2, . . .，m};
[0173] 第一更新单元95,用于根据BP神经网络识别模型的误差ek更新输入层与隐藏层 的连接权值au和隐藏层与输出层的连接权值jk，
[0175] 0Jk-Jk+nhjek,jG {1,2,. . . , 1}；
[0176] 第二更新单元96,用于根据BP神经网络识别模型的误差ek更新隐藏层各神经元 的阈值a」和输出层各神经元阈值bk，
[0178] bk-bk+ek，k G {1，2, ? ? ?，m};
[0179] 返回单元97,用于当BP神经网络识别模型的误差和E不小于预设阈值e或者当 当前训练次数未超过预设次数I时，返回执行所述BP神经网络识别模型的预测输出获取单 元的操作：
[0180] 作为本发明的一个【具体实施方式】，所述预设阈值e的取值范围为集合{1〇4|，i= 1，2,…8}。所述预设次数I的取值范围为集合{1(^|，i= 2, 3, 4, 5}。
[0181] 需要说明的是上述实施例所述的车辆故障检测装置可以集成到汽车故障诊断设 备中作为修改人员检修汽车故障的辅助工具。此外，该检测装置也可以集成到手机或电脑 等终端设备上，以方便用户随时随地对车辆进行故障检测。此外，本发明提供的检测装置还 可以适用于云计算分析。
[0182] 对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。 对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的 一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明 将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特 点相一 致的最宽的范围。
【主权项】
1. 一种车辆故障检测方法，其特征在于，所述检测方法包括： 采集车辆在不同故障类别下的故障现象数据； 根据故障规则知识库赋予所述故障现象数据相应的权重值；所述故障规则知识库内包 括多种类别的故障，每一类别的故障包括至少一个故障现象，每一故障现象对应不同的权 重值； 根据赋予权重值后的所述故障现象数据生成车辆故障检测模型的输入向量，所述输入 向量的维数与所述故障规则知识库内的故障类别数量相同； 将所述输入向量输入到所述车辆故障检测模型； 所述车辆故障检测模型分析处理所述输入向量，得到导致所述故障现象数据的故障原 因。2. 根据权利要求1所述的检测方法，其特征在于，所述故障规则知识库包括故障原因 现象规则，每条所述故障原因现象规则包括不同故障类别下的故障现象数据和与该故障现 象数据对应的故障原因，所述车辆故障检测模型通过对故障规则知识库内的至少一条所述 故障原因现象规则进行训练得到。3. 根据权利要求2所述的检测方法，其特征在于，所述故障规则知识库包括故障类别 现象表、故障原因表和故障规则表； 所述故障类别现象表包括第一变量、故障类别、故障现象以及每一故障现象对应的权 重值，每一故障类别对应一个第一变量，每一故障类别包括至少一个故障现象； 所述故障原因表包括第二变量和故障原因，每一所述第二变量对应一个故障原因； 所述故障规则表包括至少一条故障原因现象规则，每条故障原因现象规则包括相互对 应的第一变量和第二变量，其中，所述第一变量的数值为故障类别下的故障现象对应的权 重值。4. 根据权利要求2或3所述的检测方法，其特征在于，所述车辆故障检测模型为BP神 经网络识别模型，所述BP神经网络识别模型包括输入层、隐藏层和输出层。5. 根据权利要求4所述的检测方法，其特征在于， 将一条故障原因现象规则中的故障类别下的故障现象数据Xl，x2, x3, ...，\组成所述 BP神经网络的输入向量X，其中，X = [Xl，x2, x3, ...，χη]τ，η为故障类别的数量，并且η为正 整数； 将该条故障原因现象规则中的故障原因 yi，y2, y3,...，7">组成所述BP神经网络的期望 输出向量Y，其中，Y = [yi，y2, y3,...，ym]T，m为故障原因的数量，并且m为正整数； 所述对故障规则知识库内的至少一条所述故障原因现象规则进行训练，具体包括： I、 根据所述输入向量X和所述期望输出向量Y确定BP神经网络识别模型输入层节 点数n、隐藏层节点数1、输出层节点数m ;初始化输入层与隐藏层的连接权值a 隐藏 层与输出层的连接权值，初始化隐藏层各神经元的阈值j e {1，2，...，1}，输出层 各神经元阈值bk，k e {l，2，...，m}，自动筛选学习率τι，神经元激励函数Sigmond函数；l^i^n, l^k^m； II、 根据所述输入向量X、输入层与隐藏层间的连接权值a U及隐藏层阈值^_，获取隐 藏层输出hj; 其中，，./^1,2,...，/丨;其中，以3为隐藏层激励函数； III、 根据隐藏层输出tv隐藏层与输出层的连接权值和输出层各神经元阈值bk，获 取BP神经网络识别模型的预测输出〇k;IV、 根据BP神经网络识别模型的的预测输出〇k和期望输出y k，计算BP神经网络识别 模型的误差 ek, ek= 〇 k_yk, k e {1，2, · · ·，m}; V、 根据BP神经网络识别模型的误差ek更新输入层与隐藏层的连接权值a u和隐藏层 与输出层的连接权值βΛ，根据BP神经网络识别模型的误差ek更新隐藏层各神经元的阈值 a」和输出层各神经元阈值bk;bk- b k+ek，k e {1，2, · · ·，m}; VI、 当BP神经网络识别模型的误差和E不小于预设阈值或者当当前训练次数未超过预 设次数时，返回执行所述II。6. -种车辆故障检测装置，其特征在于，所述检测装置包括： 采集单元，用于采集车辆在不同故障类别下的故障现象数据； 权重值赋予单元，用于根据故障规则知识库赋予所述故障现象数据相应的权重值；所 述故障规则知识库内包括多种类别的故障，每一类别的故障包括至少一个故障现象，每一 故障现象对应不同的权重值； 向量生成单元，用于根据赋予权重值后的所述故障现象数据生成车辆故障检测模型的 输入向量，所述输入向量的维数与所述故障规则知识库内的故障类别数量相同； 输入单元，用于将所述输入向量输入到所述车辆故障检测模型； 分析处理单元，用于分析处理所述输入向量，得到导致所述故障现象数据的故障原因。7. 根据权利要求6所述的检测装置，其特征在于，所述故障规则知识库包括故障原因 现象规则，每条所述故障原因现象规则包括不同故障类别下的故障现象数据和与该故障现 象数据对应的故障原因，所述车辆故障检测模型通过对故障规则知识库内的至少一条所述 故障原因现象规则进行训练得到。8. 根据权利要求7所述的检测装置，其特征在于，所述故障规则知识库包括故障类别 现象表、故障原因表和故障规则表； 所述故障类别现象表包括第一变量、故障类别、故障现象以及每一故障现象对应的权 重值，每一故障类别对应一个第一变量，每一故障类别包括至少一个故障现象； 所述故障原因表包括第二变量和故障原因，每一所述第二变量对应一个故障原因； 所述故障规则表包括至少一条故障原因现象规则，每条所述故障原因现象规则包括相 互对应的第一变量和第二变量，其中，所述第一变量的数值为故障类别下的故障现象对应 的权重值。9. 根据权利要求7或8所述的检查装置，其特征在于，所述车辆故障检测模型为BP神 经网络识别模型，所述BP神经网络识别模型包括输入层、隐藏层和输出层。10. 根据权利要求9所述的检测装置，其特征在于，还包括训练单元，所述训练单元包 括： 初始化单元，用于根据输入向量X和期望输出向量Y确定BP神经网络识别模型输入 层节点数n、隐藏层节点数1、输出层节点数m;初始化输入层与隐藏层的连接权值a 隐 藏层与输出层的连接权值βΛ，初始化隐藏层各神经元的阈值4, j e {1，2，...，1}，输出 层各神经元阈值bk，k e {l，2，...，m}，自动筛选学习率τι，神经元激励函数Sigmond函数;1彡i彡n，1彡j彡1，1彡k彡m;其中，所述输入向量X由一条故障原因 现象规则中的故障类别下的故障现象数据Xl，x2, x3, ...，Xn组成，η为故障类别的数量，并且 η为正整数；所述期望输出向量Y由该条故障原因现象规则中的故障原因 yi，y2, y3,. . .，ym组成； 隐藏层输出获取单元，用于根据所述输入向量X、输入层与隐藏层间的连接权值a u及 隐藏层阈值a』，获取隐藏层输出hj; 其中，；其中，f(x)为隐藏层激励函数； 预测输出获取单元，用于根据隐藏层输出h，隐藏层与输出层的连接权值β Λ和输出 层各神经元阈值bk，获取BP神经网络识别模型的预测输出〇k;误差计算单元，用于根据BP神经网络识别模型的的预测输出〇k和期望输出y k，计算BP 神经网络识别模型的误差ek, ek= 〇 k_yk, k e {1，2, . . .，m}; 第一更新单元，用于根据BP神经网络识别模型的误差ek更新输入层与隐藏层的连接 权值a u和隐藏层与输出层的连接权值β jk，后 jk- 3 jk+ U hjek, j e {1，2, · · ·，1}; 第二更新单元，用于根据BP神经网络识别模型的误差ek更新隐藏层各神经元的阈值 a」和输出层各神经元阈值bk，bk- b k+ek，k e {1，2, · · ·，m}; 返回单元，用于当BP神经网络识别模型的误差和E不小于预设阈值或者当当前训练次 数未超过预设次数时，返回执行所述BP神经网络识别模型的预测输出获取单元的操作。
【专利摘要】本发明提供了一种车辆故障检测方法，其包括：采集车辆在不同故障类别下的故障现象数据；根据故障规则知识库赋予所述故障现象数据相应的权重值；根据赋予权重值后的所述故障现象数据生成车辆故障检测模型的输入向量，所述输入向量的维数与所述故障规则知识库内的故障类别数量相同；将所述输入向量输入到所述车辆故障检测模型；所述车辆故障检测模型分析处理所述输入向量，得到导致所述故障现象数据的故障原因。该检测方法提高了车辆使用的可靠性，经济性和安全性，同时也会减少维修人员的盲目维修产生的费用。本发明还提供了一种车辆故障检测装置。
【IPC分类】G05B23/02
【公开号】CN104898641
【申请号】CN201510202972
【发明人】纪政
【申请人】东软集团股份有限公司
【公开日】2015年9月9日
【申请日】2015年4月24日
【专利说明】
[0001] 本申请要求于2015年04月20日提交中国专利局、申请号为201510189349. 9、发 明名称为"一种车辆故障检测方法和装置"的中国专利申请的优先权，其全部内容通过引用 结合在本申请中。
技术领域
[0002] 本发明涉及车辆技术领域，尤其涉及一种车辆故障检测方法和装置。
【背景技术】
[0003] 车辆是一个复杂的机械系统，它由数千种零部件构成。在车辆不解体的情况下，如 果用户根据车辆的一些异常现象就能准确地对车辆的当前故障原因作出判断，这无疑提高 车辆使用的可靠性、经济性和安全性，同时也会减少盲目维修产生的费用。
[0004] 由于发动机是车辆的动力源，是车辆的心脏。如果在发动机不解体的情况下，用户 根据发动机的一些异常现象就能准确地对发动机的当前故障原因作出判断，例如，当发动 机出现转动但不着火的现象时，用户能够分析出导致产生这个现象的原因是发动机内有烧 结物。这无疑会提高车辆使用的可靠性，经济性和安全性，同时也会减少盲目维修产生的费 用。
【发明内容】
[0005] 有鉴于此，本发明的第一方面提供了一种车辆故障检测方法，以根据车辆出现的 故障现象检测到导致该故障现象的故障原因。
[0006] 基于本发明的第一方面，本发明的第二方面提供了一种车辆故障检测装置。
[0007] 为了达到上述发明目的，本发明采用了如下技术方案：
[0008] -种车辆故障检测方法，所述检测方法包括：
[0009] 采集车辆在不同故障类别下的故障现象数据；
[0010] 根据故障规则知识库赋予所述故障现象数据相应的权重值；所述故障规则知识库 内包括多种类别的故障，每一类别的故障包括至少一个故障现象，每一故障现象对应不同 的权重值；
[0011] 根据赋予权重值后的所述故障现象数据生成车辆故障检测模型的输入向量，所述 输入向量的维数与所述故障规则知识库内的故障类别数量相同；
[0012] 将所述输入向量输入到所述车辆故障检测模型；
[0013] 所述车辆故障检测模型分析处理所述输入向量，得到导致所述故障现象数据的故 障原因。
[0014] 可选地，所述故障规则知识库包括故障原因现象规则，每条所述故障原因现象规 则包括不同故障类别下的故障现象数据和与该故障现象数据对应的故障原因，所述车辆故 障检测模型通过对故障规则知识库内的至少一条所述故障原因现象规则进行训练得到。
[0015] 可选地，所述故障规则知识库包括故障类别现象表、故障原因表和故障规则表；
[0016] 所述故障类别现象表包括第一变量、故障类别、故障现象以及每一故障现象对应 的权重值，每一故障类别对应一个第一变量，每一故障类别包括至少一个故障现象；
[0017] 所述故障原因表包括第二变量和故障原因，每一所述第二变量对应一个故障原 因；
[0018] 所述故障规则表包括至少一条故障原因现象规则，每条故障原因现象规则包括相 互对应的第一变量和第二变量，其中，所述第一变量的数值为故障类别下的故障现象对应 的权重值。
[0019] 可选地，所述车辆故障检测模型为BP神经网络识别模型，所述BP神经网络识别模 型包括输入层、隐藏层和输出层。
[0020] 可选地，将一条故障原因现象规则中的故障类别下的故障现象数据 Xpx2,x3, . . .，xjlL成所述BP神经网络的输入向量X，其中，X=[Xx2,x3,. . .，xn]T，n为故 障类别的数量，并且n为正整数；
[0021] 将该条故障原因现象规则中的故障原因yi，y2,y3,...，yi且成所述BP神经网络的 期望输出向量Y，其中，Y= [yi，y2,y3, . . .，ym]T，m为故障原因的数量，并且m为正整数；
[0022] 所述对故障规则知识库内的至少一条所述故障原因现象规则进行训练，具体包 括：
[0023]I、根据所述输入向量X和所述期望输出向量Y确定BP神经网络识别模型输入 层节点数n、隐藏层节点数1、输出层节点数m;初始化输入层与隐藏层的连接权值a隐 藏层与输出层的连接权值0#，初始化隐藏层各神经元的阈值je{1，2，...，1}，输出 层各神经元阈值bk，kG{l，2，...，m}，自动筛选学习率n，神经元激励函数Sigmond函数
?l^i^n, l^k^m；
[0024]II、根据所述输入向量X、输入层与隐藏层间的连接权值au及隐藏层阈值^_，获 取隐藏层输出hj;
[0025] 其中，
，j e {1，2,? ? ?，1};其中，f(x)为隐藏层激励函 数；
[0026]III、根据隐藏层输出hj，隐藏层与输出层的连接权值0 #和输出层各神经元阈值 bk，获取BP神经网络识别模型的预测输出〇k;
[0028]IV、根据BP神经网络识别模型的的预测输出〇k和期望输出yk，计算BP神经网络 识别模型的误差ek,ek= 〇k_yk,kG{1，2, ? ? ?，m};
[0029]V、根据BP神经网络识别模型的误差ek更新输入层与隐藏层的连接权值au和隐 藏层与输出层的连接权值0jk，根据BP神经网络识别模型的误差ek更新隐藏层各神经元的 阈值a#P输出层各神经元阈值bk;
[0031] |3jk- |3jk+nhjek，jG{1，2,? ? ?，1};
[0033]bk-bk+ek，kG {1，2,? ??，m};
[0034]VI、当BP神经网络识别模型的误差和E不小于预设阈值或者当当前训练次数未超 过预设次数时，返回执行所述II。
[0035] 相应地，本发明还提供了一种车辆故障检测装置，所述检测装置包括：
[0036] 采集单元，用于采集车辆在不同故障类别下的故障现象数据；
[0037] 权重值赋予单元，用于根据故障规则知识库赋予所述故障现象数据相应的权重 值；所述故障规则知识库内包括多种类别的故障，每一类别的故障包括至少一个故障现象， 每一故障现象对应不同的权重值；
[0038] 向量生成单元，用于根据赋予权重值后的所述故障现象数据生成车辆故障检测模 型的输入向量，所述输入向量的维数与所述故障规则知识库内的故障类别数量相同；
[0039] 输入单元，用于将所述输入向量输入到所述车辆故障检测模型；
[0040] 分析处理单元，用于分析处理所述输入向量，得到导致所述故障现象数据的故障 原因。
[0041] 可选地，所述故障规则知识库包括故障原因现象规则，每条所述故障原因现象规 则包括不同故障类别下的故障现象数据和与该故障现象数据对应的故障原因，所述车辆故 障检测模型通过对故障规则知识库内的至少一条所述故障原因现象规则进行训练得到。
[0042] 可选地，所述故障规则知识库包括故障类别现象表、故障原因表和故障规则表；
[0043] 所述故障类别现象表包括第一变量、故障类别、故障现象以及每一故障现象对应 的权重值，每一故障类别对应一个第一变量，每一故障类别包括至少一个故障现象；
[0044] 所述故障原因表包括第二变量和故障原因，每一所述第二变量对应一个故障原 因；
[0045] 所述故障规则表包括至少一条故障原因现象规则，每条所述故障原因现象规则包 括相互对应的第一变量和第二变量，其中，所述第一变量的数值为故障类别下的故障现象 对应的权重值。
[0046] 可选地，所述车辆故障检测模型为BP神经网络识别模型，所述BP神经网络识别模 型包括输入层、隐藏层和输出层。
[0047] 可选地，还包括训练单元，所述训练单元包括：
[0048]初始化单元，用于根据输入向量X和期望输出向量Y确定BP神经网络识别模型 输入层节点数n、隐藏层节点数1、输出层节点数m;初始化输入层与隐藏层的连接权值a 隐藏层与输出层的连接权值f^_k，初始化隐藏层各神经元的阈值je{1，2，...，1}，输出 层各神经元阈值bk，kG{l，2，...，m}，自动筛选学习率n，神经元激励函数Sigmond函数
;1彡i彡n，1彡j彡1，1彡k彡m;其中，所述输入向量X由一条故障原因 现象规则中的故障类别下的故障现象数据Xl，x2,x3,. . .，xn组成，n为故障类别的数量，并且n为正整数；所述期望输出向量Y由该条故障原因现象规则中的故障原因yi，y2,y3,. . .，ym 组成；
[0049 ] 隐藏层输出获取单元，用于根据所述输入向量X、输入层与隐藏层间的连接权值 au及隐藏层阈值a」，获取隐藏层输出hj;
[0050]其中，
，je{1，2，...，1};其中，f(x)为隐藏层激励函 数；
[0051] 预测输出获取单元，用于根据隐藏层输出tv隐藏层与输出层的连接权值0#和 输出层各神经元阈值bk，获取BP神经网络识别模型的预测输出〇k;
[0053] 误差计算单元，用于根据BP神经网络识别模型的的预测输出〇k和期望输出yk，计 算BP神经网络识别模型的误差ek,ek= 〇k_yk,kG{1，2,? ? ?，m};
[0054] 第一更新单元，用于根据BP神经网络识别模型的误差ek更新输入层与隐藏层的 连接权值au和隐藏层与输出层的连接权值jk，
[0056] 0Jk-Jk+nhjek,jG {1,2, . . . ,1}；
[0057] 第二更新单元，用于根据BP神经网络识别模型的误差ek更新隐藏层各神经元的 阈值a#P输出层各神经元阈值bk，
[0059] bk- b k+ek，k G {1，2, ? ? ?，m};
[0060]返回单元，用于当BP神经网络识别模型的误差和E不小于预设阈值或者当当前训 练次数未超过预设次数时，返回执行所述BP神经网络识别模型的预测输出获取单元的操 作。
[0061] 相较于现有技术，本发明具有以下有益效果：
[0062] 本发明提供的车辆故障检测方法中，通过车辆故障检测模型检测车辆的故障原 因。具体地，用户采集车辆在不同故障类别下的故障现象数据并赋予不同的权重值，赋予权 重值后的故障现象数据生成车辆故障检测模型的输入向量，将该输入向量输入到车辆故障 检测模型，最后由车辆故障检测模型分析得出导致故障现象数据的故障原因。因此，通过本 发明提供的车辆故障检测方法，用户可以将采集的故障现象数据输入到车辆故障模型中， 通过车辆故障模型获知导致该故障现象的故障原因。
[0063] 所以，通过本发明提供的车辆故障检测模型，任何一个用户根据发动机的故障现 象能够较为便捷地获取导致该故障现象的故障原因。因此该检测方法提高了车辆使用的可 靠性，经济性和安全性，同时也会减少维修人员的盲目维修产生的费用。
【附图说明】
[0064] 为了较为清楚地理解本发明的技术方案，下面对描述本发明的【具体实施方式】时用 到的附图做一简要说明。显而易见地，这些附图仅是本发明的部分实施例，本领域普通技术 人员在未付出创造性劳动的前提下，还可以获得其它附图。
[0065]图1是BP神经网络的结构示意图；
[0066] 图2是BP神经网络对故障规则知识库内的多条故障原因现象规则进行训练的方 法流程示意图；
[0067] 图3本发明实施例提供的BP神经网络识别模型的结构示意图；
[0068]图4是本发明实施例提供的车辆故障检测方法流程示意图；
[0069]图5是本发明实施例提供的采集车辆在不同故障类别下的故障现象数据的输入 界面示意图；
[0070] 图6是本发明实施例提供的用户根据车辆冷却水温超过100度的故障现象获取的 车辆检测结果示意图；
[0071]图7是本发明实施例提供的车辆维修信息示意图；
[0072]图8是本发明实施例提供的车辆故障检测装置的结构示意图；
[0073] 图9是本发明实施例提供的训练单元的结构示意图。
【具体实施方式】
[0074] 为使本发明的目的、技术方案、有益效果更加清楚完整，下面结合附图对本发明的
【具体实施方式】进行详细说明。
[0075]在描述本发明的【具体实施方式】之前，首先介绍下本发明实施例用到的故障规则知 识库。
[0076] 需要说明的是，本发明提供的车辆故障检测方法之所以能够检测到车辆故障原 因，一个重要的前提就是本发明建立的故障规则知识库。
[0077] 该故障规则知识库是根据汽车故障先验知识建模获得的，构建的故障规则知识以 数据库的形式保存。在本发明提供的故障规则知识库内包括多种类别的故障，每一类别的 故障包括至少一个故障现象，每一故障现象对应不同的权重值，所述权重值反映车辆在该 故障类别下的故障严重程度。当在某一故障类别中没有出现故障现象时，设定权重值为0。 例如，在发动机启动困难这类故障中，设置有4种故障现象：现象一、发动机不转，现象二、 发动机转动但不着火，现象三、发动机能启动但立即熄火，现象四、正常启动，则这四种现象 对应的权重值依次分别为1、〇. 8、0. 3和0。
[0078]进一步地，故障规则知识库包括的多种故障类别，每一故障类别包括的故障现象 以及每一现象对应的权重值可以以表格的形式存在。为了方便描述，将该表格定义为故障 类别现象表。作为本发明的一个【具体实施方式】，如表1所示，该故障类别现象表包括第一变 量、故障类别、故障现象以及每一故障现象对应的权重值。其中，第一变量的数量与故障类 别的数量相同，每一故障类别对应一个第一变量，如表1所示，发动机启动困难这类故障对 应第一变量xl。作为本发明的一个【具体实施方式】，本发明实施例将发动机故障划分为20个 类别，这20个故障类别与20个第一变量Xpx2、…、x2(l 对应。
[0079]表1
[0080]
[0081] 另外，在故障规则知识库内还包括故障原因表，如表2所示。该故障原因表包括第 二变量和故障原因，每一所述第二变量对应一个故障原因，如表2所示，第二变量yl对应的 故障原因是发动机内有烧结物。作为本发明的一个【具体实施方式】，本发明实施例共有16个 引起发动机故障的原因。因此，在车辆故障检测模型的输出层共有16个第二变量。
[0082] 表 2
[0084] 此外，故障规则知识库内还包括故障规则表，所述故障规则表包括多条规则，每一 条规则均包括相互对应的第一变量和第二变量，其中，第一变量的数值为不同故障类别下 的故障现象对应的权重值。
[0085] 当故障类别为20时，在每条规则中，包括20个第一变量，如果车辆在某一故障类 别下没有发生故障时，则该对应的第一变量值为〇。
[0086] 如表3所示，每列数据表示一条规则，例如第一列，有x2= 0. 7,x3= 0. 7,x4 = 0. 7,x5= 0. 7,x6= 1;y 1，其对应着"冷却液水温异常~90-100度，发动机油压异常~ 怠速时小于〇. 〇3MPa、正常时小于0.IMPa，发动机怠速异常~怠速时抖动厉害，发动机加速 不良~转速不增加，有爆震~尖锐的敲击声；发动机内有烧结物"也就是说当冷却液水温在 90-100度、怠速时油压小于0. 03MPa且正常时小于0.IMPa、怠速时抖动厉害、发动机加速时 转速不增加和发动机有尖锐的敲击声现象时，可以判定其发生的故障原因为发动机内有烧 结物。
[0087]表 3
[0088]
[0089] 需要说明的是，上述所述的以表格的形式存在的故障规则知识库内的数据只是故 障规则知识库的一种具体实现形式。实际上，本发明实施例提供的故障规则知识库不限于 上述形式，只要包括故障类别，每一故障类别包括的故障现象、每一故障现象对应的权重 值，以及故障原因现象规则数据的数据库均可以作为本发明的故障规则知识库。其中，每条 所述故障原因现象规则包括不同故障类别下的故障现象权重值和与该故障现象权重值对 应的故障原因。
[0090] 以上为本发明实施例提供的车辆故障检测方法得以实现的一个重要前提：故障规 则知识库。作为本发明实施例提供的车辆故障检测方法得以实现的另外一个重要前提是： 车辆故障检测模型。
[0091] 车辆故障检测模型是通过对故障规则知识库内的多条故障原因现象规则进行训 练得到的。当故障原因现象规则以故障规则表的形式存在时，车辆故障检测模型通过对故 障规则表中的数据进行训练得到。
[0092] 其中，故障现象数据作为车辆故障检测模型的输入，故障原因作为车辆故障检测 模型的输出。在训练过程中，将故障规则知识库内的故障现象数据作为车辆故障检测模型 的输入，将与故障现象数据相对的故障原因作为车辆故障检测模型的期望输出，通过多次 训练，最终得到车辆故障检测模型。
[0093] 作为本发明的一个具体实施例，上述所述的车辆故障检测模型可以是BP神经网 络模型通过对故障规则知识库内的数据进行训练得到的BP神经网络识别模型。其中，BP 神经网络是一种基于误差方向传播的多层前馈网络，是目前应用最广泛的神经网络模型之 一。理论上， 一个三层BP神经网络可以逼近任意连续函数，其包含输入层、隐藏层和输出 层，该BP神经网络的结构示意图如图1所示。
[0094] 在本发明实施例中，将任意一条故障原因现象规则中的所有故障类别下的 故障现象权重值Xpx2,x3, . . .，xji成所述BP神经网络模型的输入向量X，其中，X= [Xl，x2,x3,. . .，xn]T，n为故障类别的数量，并且n为正整数；其中，输入向量X为n维特征向 量，该n维特征向量中的每一个分向量为每类故障类别对应的故障现象权重值。将这些故 障类别对应的故障现象权重值按照一定的顺序排列起来就组成了n维特征向量。
[0095] 将该条故障原因现象规则中的故障原因yi，y2,y3,...，yi且成所述BP神经网络模 型的期望输出向量Y，其中，Y= [71，72,73，...，7"1]'!11为故障原因的数量，并且 111为正整数。
[0096] BP神经网络对故障规则知识库内的多条故障原因现象规则进行训练的过程如图 2所示，其包括：
[0097] S201、根据所述输入向量X和所述输出向量Y确定BP神经网络识别模型输入层 节点数n、隐藏层节点数1、输出层节点数m;初始化输入层与隐藏层的连接权值ap隐藏 层与输出层的连接权值f^_k，初始化隐藏层各神经元的阈值je{1，2，...，1}，输出层 各神经元阈值bk，kG{l，2，...，m}，自动筛选学习率n，神经元激励函数Sigmond函数
；l^i^n, l^k^m：
[0098] 其中，作为本发明的一个【具体实施方式】，隐藏层节点数1 = 3, 6, 9,…，
其中
向上取整；
[0099] 输入层与隐藏层的连接权值au初始化时的取值范围为〇 <a1 ;
[0100] 隐藏层与输出层的连接权值ejk初始化时的取值范围为〇 <ejk< 1 ;
[0101] 隐藏层各神经元的阈值h初始化时的取值范围是0 ;
[0102] 输出层各神经元阈值bk初始化时的取值范围是bk= 0 ;
[0103]学习率n初始化时的取值为n= 〇. 1;
[0104] 在神经元激励函数Sigmond函数
，其中y=0.1。
[0105]S202、根据所述输入向量X、输入层与隐藏层间的连接权值au及隐藏层各神经元 阈值\_，获取隐藏层输出hj;
[0106]其中，
，je{1，2,? ? ?，1};其中，f(x)为隐藏层激励函 数；
[0107]S203、根据隐藏层输出hj，隐藏层与输出层的连接权值|3 jk和输出层各神经元阈 值bk，获取BP神经网络识别模型的预测输出〇k;
[0109]S204、根据BP神经网络识别模型的的预测输出〇k和期望输出yk，计算BP神经网 络识别模型的误差ek:
[0110] 其中，BP神经网络识别模型的误差ek的计算公式如下：
[0111] ek= 〇k-yk,kG{1, 2, . . . ,m}；
[0112] S205、根据BP神经网络识别模型的误差ek更新输入层与隐藏层的连接权值au和 隐藏层与输出层的连接权值0jk，
[0114] |3 jk- |3 jk+nhjek，jG{1，2, ? ? ?，1};
[0115]S206、根据BP神经网络识别模型的误差ek更新隐藏层各神经元的阈值a」和输出 层各神经元阈值bk，
[0117]bk-bk+ek，kG{1，2,? ? ?，m}〇
[0118]S207、判断BP神经网络识别模型的误差和E是否小于预设阈值e或者判断当前 训练次数是否超过预设次数I:
[0119] 其中，BP神经网络误差和E的计算公式如下：
[0121] 作为本发明的一个【具体实施方式】，所述预设阈值e的取值范围为集合{1〇1,i= 1，2,…8}。所述预设次数I的取值范围为集合{1(^|，i= 2, 3, 4, 5}。
[0122] 当BP神经网络识别模型的误差和E小于预设阈值或者当当前训练次数超过预设 次数，则训练结束，并且将当前BP神经网络识别模型作为最终的车辆故障检测模型。
[0123] 当BP神经网络识别模型的误差和E不小于预设阈值或者当当前训练次数未超过 预设次数时，返回执行步骤S202,进行下一次训练过程。
[0124] 需要说明的是，预设次数可以为BP神经网络识别模型的训练的最大次数。
[0125] 图3为当前BP神经网络识别模型的结构示意图，该当前BP神经网络识别模型为 最终的车辆故障检测模型。其中，不同汽车故障类别下的故障现象数据作为车辆故障检测 模型的输入层，车辆故障检测模型对输入的故障现象数据进行处理分析，在车辆故障检测 模型的输出层得到导致该故障现象数据的故障原因，也就是说，车辆故障检测模型的输出 层为推导出的故障原因。作为本发明的一个【具体实施方式】，本发明实施例将车辆故障划分 为20个类别，因此，在车辆故障检测模型的输入层对应一个20维的特征向量。同时，本发 明实施例中共有16个引起车辆故障的原因。因此，在车辆故障检测模型的输出层共有16 个第二变量。
[0126] 基于上述所述的故障规则知识库和车辆故障模型，本发明提供了一种车辆故障检 测方法的【具体实施方式】。图4是本发明实施例提供的车辆故障检测方法的流程示意图。如 图4所示，该检测方法包括以下步骤：
[0127]S401、采集车辆在不同故障类别下的故障现象数据：
[0128] 具体地，可以通过一个输入界面采集车辆在不同故障类别下的故障现象数据。该 输入界面如图5所示。用户可以将自己觉察得到的故障现象通过该输入界面输入到车辆故 障检测装置，以使车辆故障检测装置采集到车辆在不同故障类别下的故障现象数据。需要 说明的是，本步骤采集的故障现象数据包括车辆运行状况正常时的现象数据。
[0129] 作为本发明的一个具体实施例，可以有如下故障现象数据：发动机启动困难、冷却 水温异常、发动机油压异常、发动机怠速异常、发动机加速不良、有爆震、进气温度异常、进 气歧管压力异常、怠速时节气门位置异常、匀速运行时喷油脉冲宽度较短、氧传感器异常、 发动机动力不足、发动机减速不良、发动机油耗过大、发动机点火不正常、发动机进气管回 火、排气管放炮、发动机喘抖、发动机有时失速、发动机间歇熄火等等。
[0130]S402、根据故障规则知识库赋予所述故障现象数据对应的权重值：
[0131] 根据先验知识建立的故障规则知识库中，每类故障包括不同故障程度的故障现 象，不同故障程度的故障现象对应不同的权重值。
[0132] 因此，本步骤可以根据故障规则知识库对上述步骤S401采集的故障现象数据赋 予与其对应的权重值。也就是将采集到的的故障现象数据进数字化。
[0133] 需要说明的是，当发动机在某一故障类别下的运行状况正常时，则赋予该类别的 故障现象数据的权重值为0。
[0134] 例如，在故障规则知识库内存在发动机启动困难这类故障，其有现象1 :发动机不 转、现象2 :发动机转动但不着火、现象3 :发动机能启动但立即熄火、现象4 :正常启动，且 在故障知识库中的权重依次是l、〇. 8、0. 3、0。当步骤S401采集的故障现象之一是发动机转 动但不着火，即现象2,则在该步骤S402中，对该故障现象数据赋予的权重值为0. 8。
[0135]S403、根据赋予权重值后的所述故障现象数据形成车辆故障检测模型的输入向 量：
[0136] 假设在故障规则知识库中共有20个故障类别，则车辆故障检测模型的输入向量 为20维的特征向量。
[0137] 将赋予权重值后的故障现象数据按照一定顺序排列起来，形成车辆故障检测模型 的输入向量X。
[0138] 设定不同故障类别下的故障现象数据分别为Xl、x2、x3、…、x2(l，则形成的输入向量 X表为[X〗，x2，x3，? ? ?，x20]。
[0139]S404、将所述输入向量输入到所述车辆故障检测模型。
[0140]S405、所述车辆故障检测模型分析处理所述输入向量，得到导致所述故障现象数 据的故障原因：
[0141] 需要说明的是，通过本发明实施例提供的车辆故障检测模型得到的故障原因包括 一定存在的故障原因和可能存在的故障原因。
[0142] 车辆故障检测模型对输入向量进行推理分析，从而得到导致故障现象数据的确定 故障原因和可能故障原因。
[0143] 在本发明实 施例中，这些故障原因共有16个，其分别为发动机内有烧结物、点火 时刻不对、冷却液水温传感器故障、线路故障、电动汽油泵故障、喷油器故障、火花塞故障、 节气门故障、怠速控制阀故障、点火系统故障、进气系统有漏气、润滑系统故障、空气滤清器 堵塞、空气流量计或进气歧管绝对压力传感器故障。
[0144] 以上为本发明实施例提供的车辆故障检测方法的【具体实施方式】。通过本发明实施 例提供的车辆故障检测方法，用户采集车辆在不同故障类别下的故障现象数据并赋予不 同的权重值，赋予权重值后的故障现象数据生成车辆故障检测模型的输入向量，将该输入 向量输入到车辆故障检测模型，最后由车辆故障检测模型分析得出导致故障现象数据的故 障原因。因此，通过本发明提供的车辆故障检测方法，用户可以将采集的故障现象数据输入 到车辆故障模型中，通过车辆故障模型获知导致该故障现象的故障原因。
[0145] 所以，通过本发明提供的车辆故障检测模型，任何一个用户根据车辆故障现象能 够较为便捷地获取导致该故障现象的故障原因。因此该检测方法提高了车辆使用的可靠 性，经济性和安全性，同时也会减少维修人员的盲目维修产生的费用。
[0146] 作为示例，图6示出了一位用户根据车辆冷却水温超过100度的故障现象获取的 车辆检测结果。该车辆检测结果中没有一定存在的故障，其可能存在的故障包括：冷却液水 温传感器故障和润滑系统故障。此外，该车辆检测结果还包括基于逻辑推理的发动机故障 分析结果。因此，本发明提供的基于故障现象数据的发动机故障检测方法能够为用户提供 重要的检测参考信息。
[0147]另外，本发明提供的基于故障现象数据的车辆故障检测方法还能够为车辆维修人 员提供重要的车辆维修信息，作为示例，如图7所示，其为一名维修人员根据车辆冷却水温 90-100度、发动机油压怠速时小于0. 03MPa，正常时小于0.IMPa、怠速时抖动厉害、发动机 加速时转速不增加和有尖锐的敲击声等故障现象获取的检测结果。该检测结果包括一定存 在的故障、基于信号分析的发动机故障分析结果和基于逻辑推理的车辆故障分析结果。
[0148] 此外，本发明提供的车辆故障检测方法可以集成到汽车故障诊断设备中作为维修 人员检测汽车故障的辅助工具。此外，本发明提供的车辆故障检测方法既能够适合云计算 分析，也可以适用于手机、电脑等终端设备上。
[0149] 需要说明的是，上述所述的故障规则知识库可以包括车辆的不同部件的故障规则 知识。利用这些不同部件的故障规则知识，可以建立不同部件的故障检测模型，从而能够对 车辆的不同部件的故障进行检测。
[0150] 需要着重说明的是，由于发动机是车辆的动力源，是车辆的故障，因此，上述所述 的故障规则知识库可以具体为车辆发动机的故障规则知识库，利用该车辆发动机的故障规 则知识库，建立车辆发动机的故障检测模型，用户根据察觉到的发动机故障现象，并利用 该车辆发动机的故障检测模型，可以检测到车辆发动机的故障原因。
[0151] 基于上述实施例提供的车辆故障检测方法，本发明实施例还提供了一种车辆故障 检测装置。具体参见以下实施例。
[0152]图8是本发明实施例提供的车辆故障检测装置的结构示意图。如图8所示，该检 测装置包括以下单元：
[0153] 采集单元81，用于采集车辆在不同故障类别下的故障现象数据；
[0154] 权重值赋予单元82,用于根据故障规则知识库赋予所述故障现象数据相应的权重 值；所述故障规则知识库内包括多种类别的故障，每一类别的故障包括至少一个故障现象， 每一故障现象对应不同的权重值；
[0155] 向量生成单元83,用于根据赋予权重值后的所述故障现象数据生成车辆故障检测 模型的输入向量，所述输入向量的维数与所述故障规则知识库内的故障类别数量相同；
[0156] 输入单元84,用于将所述输入向量输入到所述车辆故障检测模型；
[0157] 分析处理单元85,用于分析处理所述输入向量，得到导致所述故障现象数据的故 障原因。
[0158] 通过本发明实施例提供的车辆故障检测装置，用户将觉察到的故障现象输入到车 辆故障检测装置中，检测装置通过内部处理分析，即可得到导致该故障现象的故障原因。因 此，通过本发明实施例提供的车辆故障检测装置能够使得用户根据车辆的故障现象能够较 为便捷地获取导致该故障现象的故障原因。因此该检测装置提高了车辆使用的可靠性，经 济性和安全性，同时也会减少维修人员的盲目维修产生的费用。
[0159] 进一步地，本发明实施例提供的车辆故障检测装置还可以包括训练单元，如图9 所示，所述训练单元包括：
[0160] 初始化单元91，用于根据输入向量X和期望输出向量Y确定BP神经网络识别模型 输入层节点数n、隐藏层节点数1、输出层节点数m;初始化输入层与隐藏层的连接权值a 隐藏层与输出层的连接权值f^_k，初始化隐藏层各神经元的阈值je{1，2，...，1}，输出 层各神经元阈值bk，kG{1，2，...，!11}，自动筛选学习率11，神经元激励函数318111〇11(1函数
;1彡i彡n，l彡j彡1,1彡k彡m;其中，所述输入向量X由故障原因现象 规则中的故障类别下的故障现象数据Xl，x2,x3,. . .，xn组成，n为故障类别的数量，并且n为 正整数；所述期望输出向量Y由故障原因现象规则中的故障原因yi，y2,y3,. . .，yi且成；
[0161] 其中，作为本发明的一个【具体实施方式】，隐藏层节点数1 = 3, 6, 9,…，
， 其中，
向上取整；
[0162] 输入层与隐藏层的连接权值a^初始化时的取值范围为〇 <a1 ;
[0163] 隐藏层与输出层的连接权值0jk初始化时的取值范围为0 < 0 jk< 1;
[0164] 隐藏层各神经元的阈值a』初始化时的取值范围是aj=0;
[0165]输出层各神经元阈值bk初始化时的取值范围是bk= 0;
[0166] 学习率n初始化时的取值为n= 〇.1;
[0167] 在神经元激励函数Sigmond函数
，其中，y=0.1。
[0168] 隐藏层输出获取单元92,用于根据所述输入向量X、输入层与隐藏层间的连接权 值au及隐藏层阈值a^获取隐藏层输出hj;
[0169]其中：
，je{1，2,? ? ?，1};其中，f(x)为隐藏层激励函 数；
[0170] 预测输出获取单元93,用于根据隐藏层输出hj，隐藏层与输出层的连接权值0Jk 和输出层各神经元阈值bk，获取BP神经网络识别模型的预测输出〇k;
[0172] 误差计算单元94,用于根据BP神经网络识别模型的的预测输出〇k和期望输出yk， 计算BP神经网络识别模型的误差ek,ek= 〇k_yk,kG{1，2, . . .，m};
[0173] 第一更新单元95,用于根据BP神经网络识别模型的误差ek更新输入层与隐藏层 的连接权值au和隐藏层与输出层的连接权值jk，
[0175] 0Jk-Jk+nhjek,jG {1,2,. . . , 1}；
[0176] 第二更新单元96,用于根据BP神经网络识别模型的误差ek更新隐藏层各神经元 的阈值a」和输出层各神经元阈值bk，
[0178] bk-bk+ek，k G {1，2, ? ? ?，m};
[0179] 返回单元97,用于当BP神经网络识别模型的误差和E不小于预设阈值e或者当 当前训练次数未超过预设次数I时，返回执行所述BP神经网络识别模型的预测输出获取单 元的操作：
[0180] 作为本发明的一个【具体实施方式】，所述预设阈值e的取值范围为集合{1〇4|，i= 1，2,…8}。所述预设次数I的取值范围为集合{1(^|，i= 2, 3, 4, 5}。
[0181] 需要说明的是上述实施例所述的车辆故障检测装置可以集成到汽车故障诊断设 备中作为修改人员检修汽车故障的辅助工具。此外，该检测装置也可以集成到手机或电脑 等终端设备上，以方便用户随时随地对车辆进行故障检测。此外，本发明提供的检测装置还 可以适用于云计算分析。
[0182] 对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。 对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的 一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明 将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特 点相一 致的最宽的范围。
【主权项】
1. 一种车辆故障检测方法，其特征在于，所述检测方法包括： 采集车辆在不同故障类别下的故障现象数据； 根据故障规则知识库赋予所述故障现象数据相应的权重值；所述故障规则知识库内包 括多种类别的故障，每一类别的故障包括至少一个故障现象，每一故障现象对应不同的权 重值； 根据赋予权重值后的所述故障现象数据生成车辆故障检测模型的输入向量，所述输入 向量的维数与所述故障规则知识库内的故障类别数量相同； 将所述输入向量输入到所述车辆故障检测模型； 所述车辆故障检测模型分析处理所述输入向量，得到导致所述故障现象数据的故障原 因。2. 根据权利要求1所述的检测方法，其特征在于，所述故障规则知识库包括故障原因 现象规则，每条所述故障原因现象规则包括不同故障类别下的故障现象数据和与该故障现 象数据对应的故障原因，所述车辆故障检测模型通过对故障规则知识库内的至少一条所述 故障原因现象规则进行训练得到。3. 根据权利要求2所述的检测方法，其特征在于，所述故障规则知识库包括故障类别 现象表、故障原因表和故障规则表； 所述故障类别现象表包括第一变量、故障类别、故障现象以及每一故障现象对应的权 重值，每一故障类别对应一个第一变量，每一故障类别包括至少一个故障现象； 所述故障原因表包括第二变量和故障原因，每一所述第二变量对应一个故障原因； 所述故障规则表包括至少一条故障原因现象规则，每条故障原因现象规则包括相互对 应的第一变量和第二变量，其中，所述第一变量的数值为故障类别下的故障现象对应的权 重值。4. 根据权利要求2或3所述的检测方法，其特征在于，所述车辆故障检测模型为BP神 经网络识别模型，所述BP神经网络识别模型包括输入层、隐藏层和输出层。5. 根据权利要求4所述的检测方法，其特征在于， 将一条故障原因现象规则中的故障类别下的故障现象数据Xl，x2, x3, ...，\组成所述 BP神经网络的输入向量X，其中，X = [Xl，x2, x3, ...，χη]τ，η为故障类别的数量，并且η为正 整数； 将该条故障原因现象规则中的故障原因 yi，y2, y3,...，7">组成所述BP神经网络的期望 输出向量Y，其中，Y = [yi，y2, y3,...，ym]T，m为故障原因的数量，并且m为正整数； 所述对故障规则知识库内的至少一条所述故障原因现象规则进行训练，具体包括： I、 根据所述输入向量X和所述期望输出向量Y确定BP神经网络识别模型输入层节 点数n、隐藏层节点数1、输出层节点数m ;初始化输入层与隐藏层的连接权值a 隐藏 层与输出层的连接权值，初始化隐藏层各神经元的阈值j e {1，2，...，1}，输出层 各神经元阈值bk，k e {l，2，...，m}，自动筛选学习率τι，神经元激励函数Sigmond函数；l^i^n, l^k^m； II、 根据所述输入向量X、输入层与隐藏层间的连接权值a U及隐藏层阈值^_，获取隐 藏层输出hj; 其中，，./^1,2,...，/丨;其中，以3为隐藏层激励函数； III、 根据隐藏层输出tv隐藏层与输出层的连接权值和输出层各神经元阈值bk，获 取BP神经网络识别模型的预测输出〇k;IV、 根据BP神经网络识别模型的的预测输出〇k和期望输出y k，计算BP神经网络识别 模型的误差 ek, ek= 〇 k_yk, k e {1，2, · · ·，m}; V、 根据BP神经网络识别模型的误差ek更新输入层与隐藏层的连接权值a u和隐藏层 与输出层的连接权值βΛ，根据BP神经网络识别模型的误差ek更新隐藏层各神经元的阈值 a」和输出层各神经元阈值bk;bk- b k+ek，k e {1，2, · · ·，m}; VI、 当BP神经网络识别模型的误差和E不小于预设阈值或者当当前训练次数未超过预 设次数时，返回执行所述II。6. -种车辆故障检测装置，其特征在于，所述检测装置包括： 采集单元，用于采集车辆在不同故障类别下的故障现象数据； 权重值赋予单元，用于根据故障规则知识库赋予所述故障现象数据相应的权重值；所 述故障规则知识库内包括多种类别的故障，每一类别的故障包括至少一个故障现象，每一 故障现象对应不同的权重值； 向量生成单元，用于根据赋予权重值后的所述故障现象数据生成车辆故障检测模型的 输入向量，所述输入向量的维数与所述故障规则知识库内的故障类别数量相同； 输入单元，用于将所述输入向量输入到所述车辆故障检测模型； 分析处理单元，用于分析处理所述输入向量，得到导致所述故障现象数据的故障原因。7. 根据权利要求6所述的检测装置，其特征在于，所述故障规则知识库包括故障原因 现象规则，每条所述故障原因现象规则包括不同故障类别下的故障现象数据和与该故障现 象数据对应的故障原因，所述车辆故障检测模型通过对故障规则知识库内的至少一条所述 故障原因现象规则进行训练得到。8. 根据权利要求7所述的检测装置，其特征在于，所述故障规则知识库包括故障类别 现象表、故障原因表和故障规则表； 所述故障类别现象表包括第一变量、故障类别、故障现象以及每一故障现象对应的权 重值，每一故障类别对应一个第一变量，每一故障类别包括至少一个故障现象； 所述故障原因表包括第二变量和故障原因，每一所述第二变量对应一个故障原因； 所述故障规则表包括至少一条故障原因现象规则，每条所述故障原因现象规则包括相 互对应的第一变量和第二变量，其中，所述第一变量的数值为故障类别下的故障现象对应 的权重值。9. 根据权利要求7或8所述的检查装置，其特征在于，所述车辆故障检测模型为BP神 经网络识别模型，所述BP神经网络识别模型包括输入层、隐藏层和输出层。10. 根据权利要求9所述的检测装置，其特征在于，还包括训练单元，所述训练单元包 括： 初始化单元，用于根据输入向量X和期望输出向量Y确定BP神经网络识别模型输入 层节点数n、隐藏层节点数1、输出层节点数m;初始化输入层与隐藏层的连接权值a 隐 藏层与输出层的连接权值βΛ，初始化隐藏层各神经元的阈值4, j e {1，2，...，1}，输出 层各神经元阈值bk，k e {l，2，...，m}，自动筛选学习率τι，神经元激励函数Sigmond函数;1彡i彡n，1彡j彡1，1彡k彡m;其中，所述输入向量X由一条故障原因 现象规则中的故障类别下的故障现象数据Xl，x2, x3, ...，Xn组成，η为故障类别的数量，并且 η为正整数；所述期望输出向量Y由该条故障原因现象规则中的故障原因 yi，y2, y3,. . .，ym组成； 隐藏层输出获取单元，用于根据所述输入向量X、输入层与隐藏层间的连接权值a u及 隐藏层阈值a』，获取隐藏层输出hj; 其中，；其中，f(x)为隐藏层激励函数； 预测输出获取单元，用于根据隐藏层输出h，隐藏层与输出层的连接权值β Λ和输出 层各神经元阈值bk，获取BP神经网络识别模型的预测输出〇k;误差计算单元，用于根据BP神经网络识别模型的的预测输出〇k和期望输出y k，计算BP 神经网络识别模型的误差ek, ek= 〇 k_yk, k e {1，2, . . .，m}; 第一更新单元，用于根据BP神经网络识别模型的误差ek更新输入层与隐藏层的连接 权值a u和隐藏层与输出层的连接权值β jk，后 jk- 3 jk+ U hjek, j e {1，2, · · ·，1}; 第二更新单元，用于根据BP神经网络识别模型的误差ek更新隐藏层各神经元的阈值 a」和输出层各神经元阈值bk，bk- b k+ek，k e {1，2, · · ·，m}; 返回单元，用于当BP神经网络识别模型的误差和E不小于预设阈值或者当当前训练次 数未超过预设次数时，返回执行所述BP神经网络识别模型的预测输出获取单元的操作。
【专利摘要】本发明提供了一种车辆故障检测方法，其包括：采集车辆在不同故障类别下的故障现象数据；根据故障规则知识库赋予所述故障现象数据相应的权重值；根据赋予权重值后的所述故障现象数据生成车辆故障检测模型的输入向量，所述输入向量的维数与所述故障规则知识库内的故障类别数量相同；将所述输入向量输入到所述车辆故障检测模型；所述车辆故障检测模型分析处理所述输入向量，得到导致所述故障现象数据的故障原因。该检测方法提高了车辆使用的可靠性，经济性和安全性，同时也会减少维修人员的盲目维修产生的费用。本发明还提供了一种车辆故障检测装置。
【IPC分类】G05B23/02
【公开号】CN104898641
【申请号】CN201510202972
【发明人】纪政
【申请人】东软集团股份有限公司
【公开日】2015年9月9日
【申请日】2015年4月24日
最新回复(0)