汽车空调故障检测系统及方法
【技术领域】
[0001]本发明涉及汽车检测领域，特别涉及一种汽车空调故障检测系统及方法。
【背景技术】
[0002]汽车空调安装在行驶的车辆上，承受着剧烈频繁的振动和冲击，因此空调接头易松动并泄漏，不仅影响空调的制冷效果，还会增加能耗，严重的会损坏制冷系统的压缩机等部件，若不及时维修，会造成空调的进一步损坏，加大后期的维修费用。现有的汽车空调出现泄漏故障时，使用人员不容易察觉，而且需要专业人士对空调进行检查和检修后才能发现故障问题，并对故障进行排除，这样机影响到空调的使用。
【发明内容】
[0003]为了解决现有技术中汽车空调泄漏不能及时发现的问题，本发明提供一种汽车空调故障检测系统及方法。
[0004]本发明的技术方案是:一种汽车空调故障检测系统，该系统包括:
信号采集单元，采集汽车空调内部各接头的参数数据；
处理器，连接信号采集单元，并接收信号采集单元发送的参数数据；
车载显示器，是位于汽车内部的显示器，连接处理器，显示处理器发送的检测结果。
[0005]所述的信号采集单元包括用于检测汽车空调内部各接口部位的振动信号参数的振动传感器和用于检测汽车空调内部接头周围的环形风量传感器。
[0006]所述的处理器采用粒子群优化相关向量机模型对参数数据进行处理分析。所述处理器中设有数据库，数据库保存信号采集单元采集的实时数据和历史数据。所述数据库中还保存有车载显示器的显示数据结果。
[0007]一种汽车空调故障检测方法，该方法步骤包括:
步骤一、建立汽车空调参数数据库，并进行数据预处理；
步骤二、建立RVM模型，利用粒子群算法优化训练相关向量机模型参数；
步骤三、采用相关向量机模型对待测数据进行诊断分析；
步骤四、输出诊断结果；
步骤五、诊断结果和对应参数数据存入数据库。
[0008]所述步骤一中的汽车空调参数数据库是由汽车空调出厂参数数据和检测数据组成。
[0009]所述步骤二中的粒子群算法步骤为:
A.初始化粒子群:确定粒子群的规模，初始位置和速度，根据约束条件对每个粒子初始化拉格朗日因子a的值；
B.计算每一个粒子的目标函数值，即所要优化函数的值；
C.更新每一个粒子a的位置局部最优值Pbest和全局最优值Gbest；
D.更新每一个粒子a的飞行速度和位置； E.判断数据是否达到RVM模型标准，达到标准跳出循环，并计算相关系数，否则返回的步骤B，直到满足迭代的次数；
F.返回最优a的值，并将最优化的参数传递给RVM模型。
[0010]所述步骤三中的待测数据是指监测汽车空调状态的振动传感器和风量传感器检测检测到的参数数据。
[0011]本发明有如下积极效果:本发明中应用了振动传感器和风量传感器组成的信号采集单元实时对汽车空调内部的接头进行运行状态监测，一旦接头因为松动振动频率就会改变同时制冷剂泄漏形成气流，处理器根据风量传感器和振动传感器检测到的数据就会发出警示信号，及时提醒驾驶人员对空调进行检查维修，避免空调的进一步损坏。同时本发明中的处理器使用粒子群优化相关向量机模型对待测数据进行分析处理，利用模型处理数据，进行数据对比和分析，增大了检测结果的准确率，减小了误报警情况的发生，方便了工作人员的查看和维修。
【附图说明】
[0012]图1是本发明中汽车空调故障检测系统的工作框图；
图2是本发明中汽车空调故障检测方法的工作流程图；
图3是本发明中粒子群优化相关向量机模型的工作流程图；
图4是本发明中汽车空调故障检测方法的工作结构图。
【具体实施方式】
[0013]下面对照附图，通过对实施例的描述，本发明的【具体实施方式】如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等，作进一步详细的说明，以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
[0014]一种汽车空调故障检测系统，如图1所示，该系统包括:信号采集单元、处理器和显示器，处理器连接信号采集单元和显示器。
[0015]信号采集单元，用于采集汽车空调内部各接头的参数数据。信号采集单元中包括振动传感器和风量传感器，振动传感器用于检测汽车空调内部各接口部位的振动信号参数，风量传感器用于检测汽车空调内部接头周围是否有气流，风量传感器采用环形风量传感器绕接头一周检测更准确。振动传感器可以检测到汽车空调的振动情况，当接头松动时，接头振动变快，传感器检测数据发生突变，此外，接头送到漏气时，制冷剂会泄漏形成气流，风量传感器就会检测到风量变化。
[0016]处理器，连接信号采集单元并接收信号采集单元发送的参数数据，接收数据后利用粒子群优化相关向量机模型对检测到的参数数据进行处理分析，利用粒子群优化相关向量机模型处理数据，进行数据对比和分析，增大了检测结果的准确率，减小了误报警情况的发生，方便了工作人员的查看和维修。
[0017]显示器，是汽车内部的车载显示器，连接处理器，显示处理器发送的检测结果，汽车空调发生故障时，及时提醒驾驶人员对空调进行检查维修，避免了空调的进一步损坏。
[0018]一种汽车空调故障检测方法，如图2所示，该方法步骤包括: SOl步骤一、建立汽车空调参数数据库，并进行数据预处理。
[0019]汽车空调参数数据库是汽车空调出厂参数数据，同时包括了系统中的信号采集单元采集检测的正常状态下的数据，为下面的粒子群优化相关向量机模型的机器训练提供数据。
[0020]数据预处理是对数据进行归一化处理，归一化可以加快训练网络的收敛性，归一化的具体作用是归纳统一样本的统计分布性。无论是为了建模还是为了计算，首先基本度量单位要同一，遗传算法是以样本在事件中的统计分别几率来进行训练和预测的，归一化是同一在0-1之间的统计概率分布；RVM是以降维后线性划分距离来分类和仿真的，因此时空降维归一化是统一在-1—+1之间的统计坐标分布。
[0021]S02步骤二、建立RVM模型，利用粒子群算法优化训练相关向量机(简称RVM)模型参数。
[0022]建立RVM(relevance vector machine,即相关向量机)模型首先选择合适的函数，并对其超参数进行粒子群优化训练，建立合适的RVM模型，利用粒子群算法优化训练RVM模型参数，让模型更容易收敛，运算速度更快。建立RVM模型时，先利用样本数据库进行粒子群算法优化训练成功建立模型，样本数据库的建立是在汽车空调出厂时保存和正常状态时检测保存的。
[0023]核函数的选择时常用的RVM核函数有4种:
线性核函数:
Κ( χ, z) = X.ζ(I)
多项式核函数:
K ( χ, z) = [ s ( χ.z) + c] q(2)
高斯径向基(RBF)核函数:
K( X，z ) = exp ( — λ Il χ — ζ Il 2 )(3)
Sigmoid核函数:
K (χ, ζ) = tanh [s( χ.ζ) + c](4)
选择合适的核函数是该方法能成功使用的关键，通过测试验证训练，比较各自泛化性能，本文选择RBF核函数作为故障诊断的RVM模型。
[0024]粒子群优化算法(particleswarm optimizat1n, PS0),是由 Ken