一种面向汽车视镜系统疲劳耐久试验过程的故障诊断方法

：
1.本发明涉及工程技术领域，更具体的说是涉及一种面向汽车视镜系统疲劳耐久试验过程的故障诊断方法。


背景技术：

2.汽车视镜系统疲劳耐久试验是提高视镜系统质量合格率的保障，而对汽车视镜系统疲劳耐久试验过程进行故障诊断是检验视镜系统在出厂前质量可靠性的重要技术。运用该技术可以帮助质检人员在对汽车视镜系统进行疲劳耐久试验的过程中及时发现产品缺陷及早期故障，防止不合格的视镜系统流入市场，确保视镜系统在出厂后满足复杂路况环境，以减少视镜系统的返修率以及售后费用，并有效减少视镜系统故障率，保证行车安全。
3.目前在故障诊断技术领域基于数据驱动和基于定性知识是主要的两种诊断模型。基于数据驱动模型依赖大量的监测数据，以实现对复杂工程系统的诊断。但是相对大多数的复杂工程系统，难以建立准确的故障诊断模型。此外，在具体工程中很难获得大量有效的故障数据，给基于数据驱动的故障诊断模型的建立带来困难。而基于定性知识的故障诊断模型可以根据专家知识进行建模，但由于获得的专家知识主观性较强且难以定量表示，传统的基于定性知识的模型诊断结果也不够精确。
4.置信规则库(belief rule base,brb)是一种可以充分利用各种知识，包括定量知识，定性知识(例如专家经验)和半定量信息的模型。brb故障诊断模型可以较好的诊断复杂工程系统的健康状态。汽车视镜系统属于复杂工程系统，在疲劳耐久试验的过程中各部件相互耦合，通过汽车视镜系统疲劳耐久试验过程中的单个或两个故障特征，难以完整、全面地诊断汽车视镜系统的健康状态。建立更准确的故障诊断模型，用于全面、准确地诊断汽车视镜系统的健康状态，需要使用更多的故障特征。
5.因此，如何运用多个故障特征，同时提高面向汽车视镜系统疲劳耐久试验过程的故障诊断精度是重要的研究内容。


技术实现要素：

6.鉴于此，本发明的目的是提供汽车视镜系统疲劳耐久试验过程中的故障方法，具体为面向汽车视镜系统疲劳耐久试验过程的基于多特征的分层置信规则库故障诊断方法。包括以下步骤：1、对获得的监测数据进行处理，提取视镜系统在疲劳耐久试验过程的多个特征；2、根据当前和历史数据以及一些专业知识，构建基于多个特征的分层置信规则库(multi-feature hierarchical belief rule base,m-hbrb)初始故障诊断模型；3、计算m-hbrb的激活权重；4、基于证据推理(evidential reasoning,er)对所有的规则进行融合推理；5、为基于投影协方差矩阵的自适应演化策略(the adaptive evolution strategy of projection covariance matrix,p-cma-es)优化算法，对初始m-hbrb模型中的初始参数进行更新，得到面向汽车视镜系统疲劳耐久试验过程的故障诊断模型。本发明通过建立基于多特征的分层置信规则库故障诊断模型，可以提高面向汽车视镜系统疲劳耐久试验过程的
故障诊断的精度。
7.为了实现上述目的，本发明采用如下技术方案：
8.一种面向汽车视镜系统疲劳耐久试验过程的故障诊断方法，包括以下具体步骤：
9.步骤1：采集汽车视镜系统疲劳耐久试验过程的监测数据，对获得的监测数据进行处理，提取视镜系统在试验过程的多个特征；
10.步骤2：根据当前和历史数据以及一些专业知识，建立初始m-hbrb故障诊断模型；
11.步骤3：计算m-hbrb的激活权重；
12.步骤4：基于er对所有的规则进行融合推理；
13.步骤5：利用p-cma-es优化算法，对上述由专家给定的初始m-hbrb诊断模型中的参数进行更新；
14.步骤6：采集待诊断的汽车视镜系统疲劳耐久试验过程的监测数据输入至故障诊断模型，获得故障诊断结果。
15.优选的，所述步骤1中获取视镜系统疲劳耐久试验过程的监测数据，然后提取多个故障特征，表示如下：
[0016][0017][0018][0019]
x
p
＝max|x(i)|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0020]
xm,x
ske
,x
kur
和x
p
分别表示均值特征、裕度特征、峭度特征和峰值特征，四个特征作为m-hbrb的m个前提属性；n为对应监测数据的长度；x为监测数据变量。
[0021]
优选的，所述步骤2中建立基于m-hbrb故障诊断模型，根据专家知识给定m-hbrb模型的初始置信度，如下所示：
[0022][0023]
代表第g层brb的第k个置信度规则；xi(i＝1,2,...,m)表示输入的i第前提属性；(i＝1,2,...,m k＝1,2,...,l)表示第k条规则中第i个前提属性的参数值；dj(j＝1,2,...,n)表示视镜系统的故障状态；β
j,k
表示第k条规则第j个结果dj的置信度；θk表示第k个规则的规则权重；(i＝1,2,...,m)表示第i前提属性的权重；∧代表“与”关系。
[0024]
优选的，所述步骤3中计算m-hbrb的激活权重，具体过程如下：
[0025]
步骤31：计算前提属性的匹配度，即特征量的匹配度：
[0026][0027]
和分别表示两个相邻规则中的第i个前提属性参数值。
[0028]
步骤32：计算属性的匹配度：
[0029][0030]
m表示第k条规则中包含的前提属性的数量；表示第i个前提属性的匹配度。
[0031]
优选的，步骤4基于证据推理对所有的规则进行融合推理，具体过程如下：
[0032]
步骤41：诊断结果的效用μ由式(8)和式(9)计算：
[0033][0034][0035]
其中，βj是由规则权重θk、前提属性的属性权重和置信度β
j,k
所组成的函数；βj表示输出相对于dj的置信度；n代表诊断结果的数量。
[0036]
步骤42：计算模型的输出，具体表示为：
[0037][0038]
其中yr表示模型的实际输出；μ(dj)表示评价结果dj的效用。
[0039]
优选的，所述步骤5中对基于p-cma-es优化算法，对上述由专家给定的初始m-hbrb诊断模型中的参数进行更新，具体过程如下：
[0040]
步骤51：构造目标函数：
[0041][0042]
式中v＝[θk,δi,β
j,k
,μ(dj)]
t
为brb中参数组成的向量，t为监测数据个数θk,β
j,k
,dj由式(5)获得。
[0043]
步骤52：构造如下的目标函数对上述的目标函数的进行约束，提高模型的输出精度，具体如下所示：
[0044][0045]
上述目标函数的约束条件如下:
[0046][0047]
式θk,β
j,k
,中由式(5)获得；表示最小化ξ(v)的值，为属性权重的估计。通过优化模型更新初始故障诊断模型中的参数向量，获得故障诊断模型。
[0048]
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种面向汽车视镜系统疲劳耐久试验过程的故障诊断方法，能够提高考虑多个输入故障特征的面向汽车视镜系统疲劳耐久试验过程的诊断精度。解决了现有对汽车视镜系统疲劳耐久试验过程中主要依赖相关监测人员凭借耳听、眼看等主观经验对生产出的视镜系统进行质量检验而造成的费时费力、检测结果不够精确的问题。多故障特征的输入以及分层优化诊断模型的构建提高了汽车视镜系统疲劳耐久试验过程的诊断精度。
附图说明：
[0049]
图1为一种面向汽车视镜系统疲劳耐久试验过程的故障诊断方法。
[0050]
图2为一种面向汽车视镜系统疲劳耐久试验过程的故障诊断方法的结构框图。
[0051]
图3为面向汽车视镜系统疲劳耐久试验过程所提取的特征。
[0052]
图4为面向汽车试镜系统疲劳耐久试验过程传统brb诊断的结果。
[0053]
图5为面向汽车视镜系统疲劳耐久试验过程m-hbrb诊断的结果。
具体实施方式：
[0054]
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，都属于本发明保护的范围。
[0055]
本发明实施例公开了一种面向汽车视镜系统疲劳耐久试验过程的故障诊断方法，具体流程如图1所示。
[0056]
步骤1：采集汽车视镜系统疲劳耐久试验过程的监测数据，对获得的监测数据进行处理，提取视镜系统在试验过程的多个特征；
[0057]
步骤2：根据当前和历史数据以及一些专业知识，建立基于多特征的分层brb故障诊断模型；
[0058]
步骤3：计算基于多特征的分层brb的激活权重；
[0059]
步骤4：基于er的规则推理；
[0060]
步骤5：利用p-cma-es优化算法，对上述由专家给定的初始brb诊断模型中的参数进行更新；
[0061]
步骤6：采集待诊断的汽车视镜系统疲劳耐久试验过程的监测数据输入至故障诊断模型，获得故障诊断结果。
[0062]
实施例1
[0063]
在一个具体实施例中，s1中获取视镜系统疲劳耐久试验过程的监测数据，然后提取多个故障特征，表示如下：
[0064][0065][0066][0067]
x
p
＝max|x(i)|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0068]
xm,x
ske
,x
kur
和x
p
分别表示均值特征、裕度特征、峭度特征和峰值特征，四个特征作为m-hbrb的m个前提属性；n为对应监测数据的长度；x为监测数据变量。
[0069]
实施例2
[0070]
在一个具体实施例中，s2中建立基于m-hbrb故障诊断模型，根据专家知识给定m-hbrb模型的初始置信度，如下所示：
[0071][0072]
代表第g层brb的第k个置信度规则；xi(i＝1,2,...,m)表示输入的i第前提属性；(i＝1,2,...,m k＝1,2,...,l)表示第k条规则中第i个前提属性的参数值；dj(j＝1,2,...,n)表示视镜系统的故障状态；β
j,k
表示第k条规则第j个结果dj的置信度；θk表示第k个规则的规则权重；(i＝1,2,...,m)表示第i前提属性的权重；∧代表“与”关系。
[0073]
实施例3
[0074]
在一个具体实施例中，s3中计算基于多特征的分层brb的激活权重，具体过程如下：
[0075]
s31：计算前提属性的匹配度，即特征量的匹配度：
[0076][0077]
和分别表示两个相邻规则中的第i个前提属性参数值。
[0078]
s32：计算属性的匹配度：
[0079][0080]
t表示第k条规则中包含的前提属性的数量；表示第i个输入的匹配度。
[0081]
实施例4
[0082]
在一个具体实施例中，s4中基于证据推理对所有的规则进行融合推理，具体过程如下
[0083]
s41：诊断结果的效用μ由式(8)和式(9)计算：
[0084][0085][0086]
其中，βj是由规则权重θk、前提属性的属性权重和置信度β
j,k
所组成的函数；βj表示输出相对于dj的置信度；n代表诊断结果的数量。
[0087]
s42：计算模型的输出，具体表示为：
[0088][0089]
其中yr表示模型的实际输出；μ(dj)表示评价结果dj的效用。
[0090]
实施例5
[0091]
在一个具体实施例中，s5中对基于p-cma-es优化算法，对上述由专家给定的初始m-hbrb诊断模型中的参数进行更新，具体过程如下：
[0092]
s51：构造目标函数：
[0093][0094]
式中v＝[θk,δi,β
j,k
,μ(dj)]
t
为brb中参数组成的向量，t为监测数据个数θk,βj,k,dj由式(5)获得。
[0095]
s52：构造如下的目标函数对上述的目标函数的进行约束，提高模型的输出精度，具体如下所示：
[0096][0097]
上述目标函数的约束条件如下:
[0098][0099]
式θk,β
j,k
,中由式(5)获得；表示最小化ξ(v)的值，为属性权重的估计。通
过优化模型更新初始故障诊断模型中的参数向量，获得故障诊断模型。
[0100]
为了验证本发明方法的整体效果，采用从企业中获得的汽车视镜系统在疲劳耐久试验过程中的监测数据对算法进行验证，图2是本模型的结构框图，图3是提取的故障特征。为了更直观的表述算法的优越性，用诊断精度结果图表示，如图4和图5所示。在图4中，传统brb应用于汽车试镜系统疲劳耐久试验过程的故障诊断结果不理想，本发明提出的应用于汽车试镜系统疲劳耐久试验过程的m-hrb模型除了在故障类型2出现了3个错判结果，在其他故障类型达到了100％的故障诊断率，在总体诊断率上相较于传统brb也取得了较高的诊断精度，该模型有效提高了诊断精度。
[0101]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0102]
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。

技术特征：
1.一种面向汽车视镜系统疲劳耐久试验过程的故障诊断方法，其特征在于，包括如下具体步骤：步骤1：采集汽车视镜系统疲劳耐久试验过程的监测数据，对获得的监测数据进行处理，提取视镜系统在试验过程的多个特征；步骤2：根据当前和历史数据以及一些专业知识，建立初始m-hbrb故障诊断模型；步骤3：计算m-hbrb的激活权重；步骤4：基于er对所有的规则进行融合推理；步骤5：利用p-cma-es优化算法，对上述由专家给定的初始m-hbrb诊断模型中的参数进行更新；步骤6：采集待诊断的汽车视镜系统疲劳耐久试验过程的监测数据输入至故障诊断模型，获得故障诊断结果。2.根据权利要求1所述的一种面向汽车视镜系统疲劳耐久试验过程的故障诊断方法，其特征在于，所述步骤1中获取视镜系统疲劳耐久试验过程的监测数据，然后提取多个故障特征，表示如下：表示如下：表示如下：x
p
＝max|x(i)|
ꢀꢀꢀꢀꢀ
(4)x
m
,x
ske
,x
kur
和x
p
分别表示均值特征、裕度特征、峭度特征和峰值特征，四个特征作为m-hbrb的m个前提属性；n为对应监测数据的长度；x为监测数据变量。3.根据权利要求1所述的一种面向汽车视镜系统疲劳耐久试验过程的故障诊断方法，其特征在于，所述步骤2中建立基于m-hbrb故障诊断模型，根据专家知识给定m-hbrb模型的初始置信度，如下所示：如下所示：代表第g层brb的第k个置信度规则；x
i
(i＝1,2,...,m)表示输入的i第前提属性；表示第k条规则中第i个前提属性的参数值；d
j
(j＝1,2,...,n)表示视镜系统的故障状态；β
j,k
表示第k条规则第j个结果d
j
的置信度；θ
k
表示第k个规则的规则权重；表示第i前提属性的权重；∧代表“与”关系。4.根据权利要求1所述的一种面向汽车视镜系统疲劳耐久试验过程的故障诊断方法，其特征在于，所述步骤3中计算m-hbrb的激活权重，具体过程如下：
步骤31：计算前提属性的匹配度，即特征量的匹配度：即特征量的匹配度：和分别表示两个相邻规则中的第i个前提属性参数值。步骤32：计算属性的匹配度：m表示第k条规则中包含的前提属性的数量；表示第i个前提属性的匹配度。5.根据权利要求1所述的一种面向汽车视镜系统疲劳耐久试验过程的故障诊断方法，其特征在于，步骤4基于证据推理对所有的规则进行融合推理，具体过程如下：步骤41：诊断结果的效用μ由式(8)和式(9)计算：(8)其中，β
j
是由规则权重θ
k
、前提属性的属性权重和置信度β
j,k
所组成的函数；β
j
表示输出相对于d
j
的置信度；n代表诊断结果的数量。步骤42：计算模型的输出，具体表示为：其中y
r
表示模型的实际输出；μ(d
j
)表示评价结果d
j
的效用。6.根据权利要求1所述的一种面向汽车视镜系统疲劳耐久试验过程的故障诊断方法，其特征在于，所述步骤5中对基于p-cma-es优化算法，对上述由专家给定的初始m-hbrb诊断模型中的参数进行更新，具体过程如下：步骤51：构造目标函数：式中v＝[θ
k
,δ
i
,β
j,k
,μ(d
j
)]
t
为brb中参数组成的向量，t为监测数据个数θ
k
,β
j,k
,d
j
由式(5)获得。步骤52：构造如下的目标函数对上述的目标函数的进行约束，提高模型的输出精度，具体如下所示：
上述目标函数的约束条件如下:式中由式(5)获得；表示最小化ξ(v)的值，为属性权重的估计。通过优化模型更新初始故障诊断模型中的参数向量，获得故障诊断模型。

技术总结
本发明公开了一种面向汽车视镜系统疲劳耐久试验过程的故障诊断方法，该方法包括以下步骤：1、对获得的监测数据进行处理，提取视镜系统在疲劳耐久试验过程的多个特征；2、根据当前和历史数据以及一些专业知识，构建基于多个特征的分层置信规则库初始故障诊断模型；3、计算M-HBRB的激活权重；4、基于证据推理对所有的规则进行融合推理；5、为基于投影协方差矩阵的自适应演化策略优化算法，对初始M-HBRB模型中的初始参数进行更新，得到面向汽车视镜系统疲劳耐久试验过程的故障诊断模型。本发明通过建立基于多特征的分层置信规则库故障诊断模型，可以提高面向汽车视镜系统疲劳耐久试验过程的故障诊断的精度。的故障诊断的精度。的故障诊断的精度。


技术研发人员：尹晓静 贺强强 张昊 秦梓然 尹福忠 王德华 张邦成 高智 何唯东 孙诗琦
受保护的技术使用者：长春工业大学
技术研发日：2023.06.25
技术公布日：2023/9/20