一种并联于行车电脑的汽车快速维修智能辅助装置制造方法及图纸

本发明专利技术属于汽车检修装备研发领域，公开了一种并联于行车电脑的汽车快速维修智能辅助装置，能够解决人工维修“无法精确到具体故障部件”、“无法联网造成故障诊断失灵”的问题。步骤如下：通过加装快速插拔传感器，结合车载原有传感器、车载计算机，得到汽车运行数据信息，借助CAN总线技术传输到智能故障诊断嵌入式系统，借助下载自云端的API模型，完成故障诊断。在云服务器完成API模型训练，选用遗传算法优化权值阈值的BP神经网络，初始训练数据来自于实验室条件下测试构建的车辆运行信息历史数据库。通过用户反馈，实现数据库更新。该装置主要用于汽车运行的故障状态识别和故障分类定位。位。位。

An intelligent auxiliary device for vehicle rapid maintenance in parallel with the driving computer

【技术实现步骤摘要】
一种并联于行车电脑的汽车快速维修智能辅助装置


[0001]本专利技术属于汽车检修装备研发领域，尤其涉及包括汽车外置快速插拔传感器、云服务神经网络模型训练、智能故障诊断嵌入式系统的并联于行车电脑具有故障状态识别和故障分类定位功能的汽车快速维修智能辅助装置。

技术介绍

[0002]随着汽车制造业的发展和用户对汽车功能需求的增多，汽车总量不断增加、汽车各部件的结构也日趋复杂。复杂的结构导致汽车故障种类越来越多，进行汽车故障识别和故障定位的困难也愈发增加。如果缺乏切实有效的故障诊断方法，会导致汽车检修流程复杂，增加用户等待时间，也会导致汽车检修成本增加。因此，如何对汽车故障进行快速识别和定位，成为一个值得关注的问题。
[0003]现有常用本地故障诊断方法中，使用汽车故障诊断仪读取车载计算机存储器中的故障代码，帮助维修人员查找车辆故障原因。但汽车故障诊断仪只完成了对故障代码的解释，指出错误所在的系统(例如：动力模块
‑
电池管理系统故障)，但无法精确到具体故障部件，仍需要维修人员根据经验进一步判断，找出具体故障点。在车联网普及背景下的远程故障诊断方法中，由车载端通过无线传输发送故障信号到云端，再由云端存储的检测技术进行检测与反馈。但由于车联网只能针对传统车载传感器反馈信息进行处理，缺少关键针对性传感信息，车联网诊断方法存在先天性诊断关键线索信息不足等缺陷。
[0004]综上所述，现有设备诊断技术缺少对故障部件的精准定位能力，同时车联网诊断技术无法有针对性的部署传感器以获得关键诊断线索信息，诊断效率和智能化诊断程度有待提高。

技术实现思路

[0005]本专利技术的目的是针对在车辆信息诊断领域，现有设备诊断技术缺少对故障部件的精准定位能力，同时车联网诊断技术无法有针对性的部署传感器以获得关键诊断线索信息，诊断效率和智能化诊断程度有待提高，这一行业问题，设计出一种并联于行车电脑的汽车快速维修智能辅助装置。首先，基于专有大量实验数据，利用前沿神经网络技术对汽车系统多种常规故障进行前期训练；之后，将训练所得模型内置于嵌入式系统，使该嵌入式系统装置能够对多种汽车多种系统常规故障进行识别；然后，设计出一种通过与车载计算机简易并联能够实现快速安装与拆卸的装置，有效读取车载系统中的传感信息和车载电脑报警信息；最后，设计出可以在汽车关键部位快速部署的，于装置嵌入式电脑快速插拔的多种传感器，实现车辆关键故障诊断线索信息直接快速采集；综合构建离线式精准信息采集的汽车维修智能辅助装置，实现快速为维修工程师对事故车辆进行故障状态识别和故障分类定位的功能，此专利技术具有低成本、高精度、高效率、强适用性的优势。
[0006]一种并联于行车电脑的汽车快速维修智能辅助装置，包括快速插拔传感器、智能故障诊断嵌入式系统以及云平台；
[0007]快速插拔传感器、智能故障诊断嵌入式系统与汽车原有车载传感器、车载计算机快速插拔并联；模块化的快速插拔传感器用于对车辆状态数据进行辅助测量；智能故障诊断嵌入式系统用于接收快速插拔传感器信号、汽车原有车载传感器信号和车载计算机原有事故报警信息，并根据接收到的信息进行汽车故障状态识别和故障分类定位；
[0008]云平台包括云存储和云计算；云存储部分构建了车辆运行信息历史数据库，包含原有车载传感器信息、快速插拔传感器信息、车载计算机事故报警信息以及对应的故障状态和故障分类定位信息；云计算部分使用云存储的车辆运行信息历史数据库进行故障状态识别与故障定位核心API模型训练；
[0009]云存储部分根据用户诊断结果反馈进行数据库更新；
[0010]云计算部分在进行故障状态识别与故障定位核心API模型训练时，结合遗传算法进行BP神经网络参数优化；
[0011]云计算部分在云存储部分根据用户诊断结果反馈进行数据库更新后，重新进行故障状态识别与故障定位核心API模型训练，并在联网状态下将训练后的模型下载更新至智能故障诊断嵌入式系统；将云端训练完毕的故障状态识别与故障定位核心API模型下载到车载端的智能故障诊断嵌入式系统中，用于汽车故障状态判断和故障分类定位；
[0012]将原有车载传感器信息、快速插拔传感器信息、车载计算机事故报警信息通过CAN总线传输到智能故障诊断嵌入式系统，由智能故障诊断嵌入式系统对数据库中的信息进行数据预处理操作，得到故障状态识别与故障定位核心API模型的输入数据；
[0013]故障状态识别与故障定位核心API模型首先将构建的车辆运行信息历史数据库在阿里云服务器中进行训练，建立使用车辆运行信息数据进行故障状态识别和故障分类定位的模型，即得到车辆运行信息到明确故障的映射。
[0014]所述故障状态识别与故障定位核心API模型训练中，首先需要从车辆运行信息历史数据库中抽取训练样本，将抽取到的数据分为训练集、测试集和验证集；
[0015]对于抽取到的数据，在进行训练前首先需要进行数据预处理，具体步骤如下：
[0016]步骤1：将检验到的数据重复、数据缺失对应的样本从数据库中删除，并从数据库中重新抽取新数据作为训练样本的补充；
[0017]步骤2：考虑到数据噪声的存在，需要采用包括滑动滤波在内的手段对数据噪声进行去除；
[0018]步骤3：采用主成分分析对多种特征数据进行选择；
[0019]步骤4：对采用主成分分析方法选择好的特征数据进行min
‑
max归一化，完成所述训练样本随机抽取、对随机抽取后的数据进行预处理。
[0020]使用预处理后的数据，对所述进行故障状态识别和故障分类定位的模型进行训练，采用BP神经网络结合遗传算法，具体步骤如下：
[0021]步骤1：使用预处理后的数据，构建多个BP神经网络模型，隐含层的激活函数为tanh函数，输出层的激活函数采用softmax函数；
[0022]步骤2：神经网络连接权值、阈值初始化，采用遗传算法对权值和阈值进行优化；
[0023]步骤3：对建立得到的每个BP神经网络诊断模型的权值和阈值进行实数编码，随机选取100个实数编码对应的权值和阈值的初始个体、构成初始种群；
[0024]步骤4：计算损失函数，用误差平方和来表示；将损失函数的倒数作为个体适应度
函数；
[0025]步骤5：对当前种群中的个体进行选择、交叉、变异操作，形成下一代的新种群；
[0026]步骤6：判断步骤5得到的新种群是否达到收敛条件，若达到收敛条件则完成权值、阈值优化；若未达到收敛条件，返回步骤5重新计算；
[0027]步骤7：将种群中最优个体的数据作为优化后的BP神经网络模型的初始权值和阈值，开始对BP神经网络模型进行迭代训练，直至损失函数值小于预设阈值，或达到迭代次数，完成BP神经网络模型训练；
[0028]步骤8：将验证集输入训练好的多个BP神经网络模型，选取表现最好的神经网络模型作为故障状态识别与故障定位核心API模型；
[0029]步骤9：通过测试集得到该API模型的准确率。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种并联于行车电脑的汽车快速维修智能辅助装置，其特征在于，所述汽车快速维修智能辅助装置包括快速插拔传感器、智能故障诊断嵌入式系统以及云平台；快速插拔传感器、智能故障诊断嵌入式系统与汽车原有车载传感器、车载计算机快速插拔并联；模块化的快速插拔传感器用于对车辆状态数据进行辅助测量；智能故障诊断嵌入式系统用于接收快速插拔传感器信号、汽车原有车载传感器信号和车载计算机原有事故报警信息，并根据接收到的信息进行汽车故障状态识别和故障分类定位；云平台包括云存储和云计算；云存储部分构建了车辆运行信息历史数据库，包含原有车载传感器信息、快速插拔传感器信息、车载计算机事故报警信息以及对应的故障状态和故障分类定位信息；云计算部分使用云存储的车辆运行信息历史数据库进行故障状态识别与故障定位核心API模型训练；云存储部分根据用户诊断结果反馈进行数据库更新；云计算部分在进行故障状态识别与故障定位核心API模型训练时，结合遗传算法进行BP神经网络参数优化；云计算部分在云存储部分根据用户诊断结果反馈进行数据库更新后，重新进行故障状态识别与故障定位核心API模型训练，并在联网状态下将训练后的模型下载更新至智能故障诊断嵌入式系统；将云端训练完毕的故障状态识别与故障定位核心API模型下载到车载端的智能故障诊断嵌入式系统中，用于汽车故障状态判断和故障分类定位；将原有车载传感器信息、快速插拔传感器信息、车载计算机事故报警信息通过CAN总线传输到智能故障诊断嵌入式系统，由智能故障诊断嵌入式系统对数据库中的信息进行数据预处理操作，得到故障状态识别与故障定位核心API模型的输入数据；故障状态识别与故障定位核心API模型首先将构建的车辆运行信息历史数据库在阿里云服务器中进行训练，建立使用车辆运行信息数据进行故障状态识别和故障分类定位的模型，即得到车辆运行信息到明确故障的映射。2.根据权利要求1所述的汽车快速维修智能辅助装置，其特征在于，所述故障状态识别与故障定位核心API模型训练中，首先需要从车辆运行信息历史数据库中抽取训练样本，将抽取到的数据分为训练集、测试集和验证集；对于抽取到的数据，在进行训练前首先需要进行数据预处理，具体步骤如下：步骤1：将检验到的数据重复、数据缺失对应的样本从数据库中删除，并从数据库中重新抽取新数据作为训练样本的补充；步骤2：考虑到数据噪声的存在，需要采用包括滑动滤波在内的手段对数据噪声进行去除；步骤3：采用主成分分析对多种特征数据进行选择；步骤4：对采用主成分分析方法选择好的特征数据进行min
‑
max归一化，完成所述训练样本随机抽取、对随机抽取后的数据进行预处理。3.根据权利要求2所述的汽车快速维修智能辅助装置，其特征在于，使用预处理后的数据，对所述进行故障状态识别和故障分类定位的模型进行训练，采用BP神经网络结合遗传算法，具体步骤...

【专利技术属性】
技术研发人员：刘方舟，徐昌一，李楚航，于欣萌，林鑫，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：