一种分层式模块化工程机械机云协同故障诊断系统及方法与流程

本发明涉及工程机械故障诊断技术领域，具体涉及一种分层式模块化工程机械机云协同故障诊断系统及方法。

背景技术：

目前，随着我国经济的不断发展，基础设施建设的不断完善，工程机械行业正处于蓬勃发展的关键时期。工程机械工作环境恶劣，工作地形复杂，特别是一些危险作业区域，急需智能化装备取代人工驾驶，这造成了控制逻辑日渐复杂，维护成本越来越高，且随着智能诊断系统的兴起，模糊诊断、专家诊断策略的不断完善，对工程机械故障诊断系统提出了新的要求。

针对工程车辆，一方面我们暂时无法通过机理分析建立精确的物理模型对工程车辆的车况进行管理监控；另一方面随着智能化要求的提高，大量用于感知周围环境的设备的加装，车辆运行过程中反映运行状态的数据得以保存，如何更有效更准确的挖掘海量数据背后的关系模型，是一个急需解决的问题。

现阶段，由于控制器产品类型多样，诊断逻辑与底层端口结合较为紧密，一旦更换控制器或报文协议，诊断逻辑往往需要重新编写，这会极大增加开发人员的劳动强度，也会再次引入逻辑错误。同时，故障诊断依赖于传感器进行外界环境的感知，如果传感器发生故障，需要重新更换硬件，参数阈值和范围映射往往需要重新在源程序进行编写，不易维护，且容易引入错误。

另外，现有的故障诊断系统技术方案未能将功能与硬件进行分离，诊断系统的整体封装性不够，功能软件与硬件驱动的耦合性强、开放性弱、二次开发工作量大，硬件修改往往带来的是一系列的软件代码层的修改。由于采用主子程序的架构模式，无法有效的剥离功能模块进行独立开发，往往造成程序由一人进行独立开发和维护，一旦人员离职，将给企业带来巨大的经济损失。由于算法与算法之间耦合性较大，无法针对某算法进行单独剥离独立升级。

技术实现要素：

针对上述问题，本发明提出一种分层式模块化工程机械机云协同故障诊断系统及方法，采用分层架构、模块化的思想进行功能模块之间、功能模块与硬件之间的剥离，提高故障诊断系统的可重用性、可移植性、可维护性、可拓展性，进一步提高故障诊断系统的整体封装性。

为了实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

第一方面，本发明提供了一种分层式模块化工程机械机云协同故障诊断系统，包括顺次相连的车载诊断单元、通信联络层和云端诊断单元；

所述车载诊断单元从机侧采集故障数据，并基于采集到的故障数据进行故障诊断；所述车载诊断单元还将采集到的故障数据发送至云端诊断单元；

所述云端诊断单元基于接收到的故障数据进行故障诊断。

可选地，所述车载诊断单元包括：

端口驱动模块，实时读取机侧故障数据；

端口数据采集模块，与所述端口驱动模块相连；

总线数据采集模块，与所述端口驱动模块相连；

端口诊断逻辑模块，与所述端口数据采集模块相连，基于从端口数据采集模块接收到的故障数据进行端口故障诊断；

总线诊断逻辑模块，与所述总线数据采集模块相连，基于从总线数据采集模块接收到的故障数据进行总线故障诊断；

本地/远程切换模块，分别与所述端口数据采集模块和总线数据采集模块相连，控制所述端口数据采集模块和总线数据采集模块向端口诊断逻辑模块和总线诊断逻辑模块输出故障数据或向云端诊断单元输出故障数据。

可选地，所述通信联络层包括can接口和无线收发接口；所述can接口与所述车载诊断单元相连；所述无线收发接口与所述云端诊断单元无线连接。

可选地，所述云端诊断单元包括：

云端数据交换模块，与所述通信联络层相连，接收由所述车载诊断单元发送的故障数据；

诊断建模模块，与所述云端数据交换模块相连，用于进行诊断模型的训练，获得训练好的诊断模型；

参数寻优模块，与所述诊断建模模块相连，用于进行参数寻优，获得最优参数；

存储模块，分别与所述诊断建模模块和参数寻优模块相连，保存训练好的诊断模型和最优参数；

诊断识别模块，分别与所述存储模块和云端数据交换模块相连，当所述诊断识别模块在进行故障诊断时，基于从所述存储模块中调用的训练好的诊断模型和最优参数进行故障的诊断识别，并将识别出来的故障信息发送给云端数据交换模块。

可选地，所述参数寻优模块包括独立设置的粒子群寻优子模块、遗传算法寻优子模块和梯度下降法寻优子模块，三者的输入端分别与所述诊断建模模块相连，三者的输出端分别与所述存储模块相连，分别用于进行参数寻优。

可选地，所述诊断建模模块包括独立设置的模糊神经网络子模块、支撑向量机子模块和决策树子模块，三者的输入端均与所述云端数据交换模块相连，三者的数据端均与所述参数寻优模块的输入端相连。

可选地，所述云端诊断单元还包括数据预处理模块，所述数据预处理模块与所述云端数据交换模块相连，对接收到的故障数据进行预处理。

可选地，所述数据预处理模块包括顺次相连的滤波子模块、无效值剔除子模块、变量筛选子模块和主成分分析子模块；所述滤波子模块对接收到的故障数据进行滤波处理，将处理后的数据传输给无效值剔除模块进行无效值的剔除，然后传输给变量筛选子模块进行相关变量的筛选，最后经主成分分析模块处理，将数据维度进行进一步压缩。

可选地，所述分层式模块化工程机械机云协同故障诊断系统还包括显示屏，所述显示屏分别与所述车载诊断单元、云端诊断单元相连，用于进行故障显示，以及对所述车载诊断单元、云端诊断单元进行控制和参数设置。

第二方面，本发明提供了一种分层式模块化工程机械机云协同故障诊断方法，包括。

利用车载诊断单元从机侧采集故障数据，并基于采集到的故障数据进行故障诊断；

和/或，利用所述车载诊断单元将采集到的故障数据发送至云端诊断单元，由云端诊断单元基于接收到的故障数据进行故障诊断。

与现有技术相比，本发明的有益效果：

本发明采用分层架构、模块化的思想进行功能模块之间、功能模块与硬件之间的剥离，提高故障诊断系统的可重用性、可移植性、可维护性、可拓展性，进一步提高故障诊断系统的整体封装性。

附图说明

为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明，其中：

图1为本发明一种实施例的故障诊断系统架构图；

图2为本发明一种实施例的车载故障诊断单元的结构示意图；

图3为本发明一种实施例的车载数据采集示意图；

图4为本发明一种实施例的远程故障诊断模块模块示意图；

图5为本发明一种实施例的故障诊断系统流程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明的保护范围。

下面结合附图对本发明的应用原理作详细的描述。

实施例1

本发明实施例中提供了一种分层式模块化工程机械机云协同故障诊断系统，包括顺次相连的车载诊断单元、通信联络层、云端诊断单元和显示屏；

所述车载诊断单元从机侧采集故障数据，并基于采集到的故障数据进行故障诊断；所述车载诊断单元还将采集到的故障数据发送至云端诊断单元；

所述云端诊断单元基于接收到的故障数据进行故障诊断；

所述显示屏分别与所述车载诊断单元、云端诊断单元相连，用于进行故障显示，以及对所述车载诊断单元、云端诊断单元进行控制和参数设置。

可见，本发明实施例中的分层式模块化工程机械机云协同故障诊断系统，可以实现将云端的计算能力整合进故障诊断系统中，充分利用了云端高算的计算能力，在保证精度的前提下可以快速的实现故障的诊断辨识。从上到下依次为云端诊断系统、通讯联络层、车载诊断系统。其中，车载故障诊断系统通过车载数据采集模块和驱动模块的分离，达到与底层硬件进行分离的效果，在车载控制器端仅需要关注顶层的诊断算法逻辑即可，大大提高了车载端诊断逻辑的可移植性和算法重用性；通讯联络层主要由无线通讯设备组成，负责远端上位机和本地下位机之间的通讯建立，由can转4g模块构成；云端故障诊断系统，仅云端数据交换模块与机侧进行数据交换，遵循相应的数据交换协议，其他模块均完全独立于硬件设计，可以整体移植，该系统将核心算法搬移到云端主机，相较于在本地进行计算，更加快速、高效、安全。

如图2所示，在本发明实施例的一种具体实施方式中，所述车载诊断单元包括：

端口驱动模块，实时读取机侧故障数据；在具体实施过程中，所述机侧故障数据包括发动机参数、液压系统参数、电气系统参数、工作装置参数等。

端口数据采集模块，与所述端口驱动模块相连；总线数据采集模块，与所述端口驱动模块相连；

端口诊断逻辑模块，与所述端口数据采集模块相连，基于从端口数据采集模块接收到的故障数据进行端口故障诊断；

总线诊断逻辑模块，与所述总线数据采集模块相连，基于从总线数据采集模块接收到的故障数据进行总线故障诊断；

本地/远程切换模块，分别与所述端口数据采集模块和总线数据采集模块相连，控制所述端口数据采集模块和总线数据采集模块向端口诊断逻辑模块和总线诊断逻辑模块输出故障数据或向云端诊断单元输出故障数据，即所述本地/远程切换模块负责本地诊断逻辑和远程诊断逻辑的切换，所述本地/远程切换模块的触发需要按下车载显示屏中的切换按钮。在具体实施过程中，所述端口诊断逻辑模块和总线诊断逻辑模块主要可以识别的故障类型包括：物理值超限故障、总线通讯故障、和端口的对地短路、对电源短路等故障，只能识别较单一的故障类型，针对非线性和多原因引起的故障无法有效识别，需要借助远程云端诊断单元进行故障的识别。

在本发明实施例的一种具体实施方式中，如图3所示，所述通信联络层包括can接口和无线收发接口；所述can接口与所述车载诊断单元(即图中3中的车载主控制器)相连；所述无线收发接口与所述云端诊断单元无线连接。为了提高无线收发效率，所述无线收发接口可以选用4g收发接口。

在本发明实施例的一种具体实施方式中，提出将云端诊断单元进行了模块化的设计，方便了算法模块的独立更新，并利用云端数据交换模块实现云端算法与车载算法的分离，提高云端诊断单元的可移植性；如图4所示，所述云端诊断单元包括：

云端数据交换模块，与所述通信联络层相连，接收由所述车载诊断单元发送的故障数据，即所述云端数据交换模块主要负责与机侧进行数据交互，包括与机侧控制器交互的原始数据、诊断结果、远程诊断参数等(算法的选择、参数寻优策略的选择)，由于原始数据集包含数据噪音和无关变量，需要在数据预处理模块中进行进一步的处理；

数据预处理模块，所述数据预处理模块分别与所述云端数据交换模块和诊断建模模块相连，对接收到的故障数据进行预处理，所述数据预处理模块一方面负责处理从云端数据交换模块上传的原始数据，一方面负责将处理后的数据集送给诊断建模模块进行建模；

诊断建模模块，与所述数据预处理模块相连，用于进行诊断模型的训练，获得训练好的诊断模型；

参数寻优模块，与所述诊断建模模块相连，用于进行参数寻优，获得最优参数；使用时仅需在本地进行参数配置，选择相应的寻优算法进行寻优即可，极大方便了参数的寻优，保证了算法模型的精度，同时也可以有效防止过拟合现象的发生；

存储模块，分别与所述诊断建模模块和参数寻优模块相连，保存训练好的诊断模型和最优参数；

诊断识别模块，分别与所述存储模块和云端数据交换模块相连，当所述诊断识别模块在进行故障诊断时，基于从所述存储模块中调用的训练好的诊断模型和最优参数进行故障的诊断识别，无需重新进行模型训练，大大加快故障诊断过程，并将识别出来的故障信息发送给云端数据交换模块。

如图4所示，在本发明实施例的一种具体实施方式中，所述数据预处理模块包括顺次相连的滤波子模块、无效值剔除子模块、变量筛选子模块和主成分分析子模块；所述滤波子模块对接收到的故障数据进行滤波处理，将处理后的数据传输给无效值剔除模块进行无效值的剔除，然后传输给变量筛选子模块进行相关变量的筛选，最后经主成分分析模块处理，将数据维度进行进一步压缩。具体地：1)滤波子模块负责对原始数据集进行滤波处理、2)无效值剔除子模块负责剔除滤波后模块中的无效数据集、3)变量筛选子模块，根据互信息相关准则进行相关变量的挑选，找出与故障相关的变量，输出为该故障的相关变量集合、4)主成分分析子模块对选择出的相关变量集合进行降维处理，筛选出相关的主成分，剔除无关变量，降低建模复杂度，提高分类识别的速度。

如图4所示，在本发明实施例的一种具体实施方式中，所述诊断建模模块包括独立设置的模糊神经网络子模块、支撑向量机子模块和决策树子模块，三者的输入端均与所述云端数据交换模块相连，三者的数据端均与所述参数寻优模块的输入端相连。其中，所述模糊神经网络子模块结合模糊算法和神经网络算法的优势，在保证建模速度的前提下引入模糊规则，避免了传统神经网络算法不能处理和描述模糊信息的缺点，从而快速准确的区分当前的故障类型。

如图4所示，上述算法子模块包含大量的参数，如果参数选择不准确将会对模型的精度造成极大的影响。因此，在本发明实施例的一种具体实施方式中，所述参数寻优模块包括独立设置的粒子群寻优子模块、遗传算法寻优子模块和梯度下降法寻优子模块，三者的输入端分别与所述诊断建模模块相连，三者的输出端分别与所述存储模块相连，分别用于进行参数寻优，所述粒子群寻优子模块、遗传算法寻优子模块和梯度下降法寻优子模块的参数配置可以由显示器的远程诊断参数配置页面进行参数配置，以调节寻优的精度和速度，防止过拟合或欠拟合现象的发生。

综上可见，如图5所示，本发明实施例中的故障诊断系统的工作过程具体为：

首先利用端口驱动模块实时读取外围数据(即机侧故障数据)，将数据送给车载数据采集模块进行处理(包括量程转换、报文解析)。同时，操作人员可以在显示屏上通过按钮控制本地/远程诊断系统的切换，默认切换到车载诊断模式。在车载诊断模式下，可以实现的故障诊断类型相对有限，主要针对一些发生原因比较单一、形成机理比较明确、发生时的特征唯一性较强的故障。

车载故障单元会将车载数据采集模块输出的数据，根据故障的发生类型传输给相应的车载故障诊断模块进行故障诊断，主要包括：端口诊断模块、总线诊断模块。

当切换到云端诊断模式后，云端数据交换模块一方面会把数据通过通讯联络层从机侧获取过来，一方面会将获取的原始数据传输给数据预处理模块进行数据的预处理，具体包括：滤波、无效值剔除、相关变量筛选、主成分分析。首先滤波子模块进行滤波处理，将处理后的数据传输给无效值剔除子模块进行无效值的剔除，然后传输给变量筛选子模块进行相关变量的筛选，最后经主成分分析子模块处理，将数据维度进行进一步压缩，为后续建模做好准备。诊断建模模块包含三种常用的故障识别算法，默认选择模糊神经网络模块进行诊断建模，如需要切换可以在显示屏的远程诊断参数配置界面进行配置，使系统具有极大的灵活性，可以在其中一种诊断方法效果不好的时候进行手动切换，可以最大限度保障故障识别的准确度。同时，为了保证模型参数的最优化，可以通过显示屏的远程诊断参数配置界面，选择参数寻优策略，防止因参数不符合要求模型过拟合或欠拟合。

训练好的诊断模型和最优参数保存在存储模块中，当在诊断识别模块进行故障诊断的时候，需要从存储模块下进行调用，然后基于已经训练好的模型进行故障的诊断识别，当故障识别出后会将故障信息发送给云端数据交换模块，进而传输给显示屏的故障显示界面进行故障的显示。同理，车载诊断单元也可以传输给显示屏进行故障的显示。

实施例2

本发明实施例中提供了一种分层式模块化工程机械机云协同故障诊断方法，包括。

利用车载诊断单元从机侧采集故障数据，并基于采集到的故障数据进行故障诊断；

和/或，利用所述车载诊断单元将采集到的故障数据发送至云端诊断单元，由云端诊断单元基于接收到的故障数据进行故障诊断。

如图2所示，在本发明实施例的一种具体实施方式中，所述车载诊断单元包括：

端口驱动模块，实时读取机侧故障数据；在具体实施过程中，所述机侧故障数据包括发动机参数、液压系统参数、电气系统参数、工作装置参数等。

端口数据采集模块，与所述端口驱动模块相连；总线数据采集模块，与所述端口驱动模块相连；

端口诊断逻辑模块，与所述端口数据采集模块相连，基于从端口数据采集模块接收到的故障数据进行端口故障诊断；

总线诊断逻辑模块，与所述总线数据采集模块相连，基于从总线数据采集模块接收到的故障数据进行总线故障诊断；

本地/远程切换模块，分别与所述端口数据采集模块和总线数据采集模块相连，控制所述端口数据采集模块和总线数据采集模块向端口诊断逻辑模块和总线诊断逻辑模块输出故障数据或向云端诊断单元输出故障数据，即所述本地/远程切换模块负责本地诊断逻辑和远程诊断逻辑的切换，所述本地/远程切换模块的触发需要按下车载显示屏中的切换按钮。在具体实施过程中，所述端口诊断逻辑模块和总线诊断逻辑模块主要可以识别的故障类型包括：物理值超限故障、总线通讯故障、和端口的对地短路、对电源短路等故障，只能识别较单一的故障类型，针对非线性和多原因引起的故障无法有效识别，需要借助远程云端诊断单元进行故障的识别。

在本发明实施例的一种具体实施方式中，如图3所示，所述通信联络层包括can接口和无线收发接口；所述can接口与所述车载诊断单元相连；所述无线收发接口与所述云端诊断单元无线连接。为了提高无线收发效率，所述无线收发接口可以选用4g收发接口。

在本发明实施例的一种具体实施方式中，提出将云端诊断单元进行了模块化的设计，方便了算法模块的独立更新，并利用云端数据交换模块实现云端算法与车载算法的分离，提高云端诊断单元的可移植性；如图4所示，所述云端诊断单元包括：

云端数据交换模块，与所述通信联络层相连，接收由所述车载诊断单元发送的故障数据，即所述云端数据交换模块主要负责与机侧进行数据交互，包括与机侧控制器交互的原始数据、诊断结果、远程诊断参数等(算法的选择、参数寻优策略的选择)，由于原始数据集包含数据噪音和无关变量，需要在数据预处理模块中进行进一步的处理；

数据预处理模块，所述数据预处理模块分别与所述云端数据交换模块和诊断建模模块相连，对接收到的故障数据进行预处理，所述数据预处理模块一方面负责处理从云端数据交换模块上传的原始数据，一方面负责将处理后的数据集送给诊断建模模块进行建模；

诊断建模模块，与所述数据预处理模块相连，用于进行诊断模型的训练，获得训练好的诊断模型；

参数寻优模块，与所述诊断建模模块相连，用于进行参数寻优，获得最优参数；使用时仅需在本地进行参数配置，选择相应的寻优算法进行寻优即可，极大方便了参数的寻优，保证了算法模型的精度，同时也可以有效防止过拟合现象的发生；

存储模块，分别与所述诊断建模模块和参数寻优模块相连，保存训练好的诊断模型和最优参数；

诊断识别模块，分别与所述存储模块和云端数据交换模块相连，当所述诊断识别模块在进行故障诊断时，基于从所述存储模块中调用的训练好的诊断模型和最优参数进行故障的诊断识别，无需重新进行模型训练，大大加快故障诊断过程，并将识别出来的故障信息发送给云端数据交换模块。

如图4所示，在本发明实施例的一种具体实施方式中，所述数据预处理模块包括顺次相连的滤波子模块、无效值剔除子模块、变量筛选子模块和主成分分析子模块；所述滤波子模块对接收到的故障数据进行滤波处理，将处理后的数据传输给无效值剔除模块进行无效值的剔除，然后传输给变量筛选子模块进行相关变量的筛选，最后经主成分分析模块处理，将数据维度进行进一步压缩。具体地：1)滤波子模块负责对原始数据集进行滤波处理、2)无效值剔除子模块负责剔除滤波后模块中的无效数据集、3)变量筛选子模块，根据互信息相关准则进行相关变量的挑选，找出与故障相关的变量，输出为该故障的相关变量集合、4)主成分分析子模块对选择出的相关变量集合进行降维处理，筛选出相关的主成分，剔除无关变量，降低建模复杂度，提高分类识别的速度。

如图4所示，在本发明实施例的一种具体实施方式中，所述诊断建模模块包括独立设置的模糊神经网络子模块、支撑向量机子模块和决策树子模块，三者的输入端均与所述云端数据交换模块相连，三者的数据端均与所述参数寻优模块的输入端相连。其中，所述模糊神经网络子模块结合模糊算法和神经网络算法的优势，在保证建模速度的前提下引入模糊规则，避免了传统神经网络算法不能处理和描述模糊信息的缺点，从而快速准确的区分当前的故障类型。

如图4所示，上述算法子模块包含大量的参数，如果参数选择不准确将会对模型的精度造成极大的影响。因此，在本发明实施例的一种具体实施方式中，所述参数寻优模块包括独立设置的粒子群寻优子模块、遗传算法寻优子模块和梯度下降法寻优子模块，三者的输入端分别与所述诊断建模模块相连，三者的输出端分别与所述存储模块相连，分别用于进行参数寻优，所述粒子群寻优子模块、遗传算法寻优子模块和梯度下降法寻优子模块的参数配置可以由显示器的远程诊断参数配置页面进行参数配置，以调节寻优的精度和速度，防止过拟合或欠拟合现象的发生。

综上可见，如图5所示，本发明实施例中的故障诊断系统的工作过程具体为：

首先利用端口驱动模块实时读取外围数据(即机侧故障数据)，将数据送给车载数据采集模块进行处理(包括量程转换、报文解析)。同时，操作人员可以在显示屏上通过按钮控制本地/远程诊断系统的切换，默认切换到车载诊断模式。在车载诊断模式下，可以实现的故障诊断类型相对有限，主要针对一些发生原因比较单一、形成机理比较明确、发生时的特征唯一性较强的故障。

车载故障单元会将车载数据采集模块输出的数据，根据故障的发生类型传输给相应的车载故障诊断模块进行故障诊断，主要包括：端口诊断模块、总线诊断模块。

当切换到云端诊断模式后，云端数据交换模块一方面会把数据通过通讯联络层从机侧获取过来，一方面会将获取的原始数据传输给数据预处理模块进行数据的预处理，具体包括：滤波、无效值剔除、相关变量筛选、主成分分析。首先滤波子模块进行滤波处理，将处理后的数据传输给无效值剔除子模块进行无效值的剔除，然后传输给变量筛选子模块进行相关变量的筛选，最后经主成分分析子模块处理，将数据维度进行进一步压缩，为后续建模做好准备。诊断建模模块包含三种常用的故障识别算法，默认选择模糊神经网络模块进行诊断建模，如需要切换可以在显示屏的远程诊断参数配置界面进行配置，使系统具有极大的灵活性，可以在其中一种诊断方法效果不好的时候进行手动切换，可以最大限度保障故障识别的准确度。同时，为了保证模型参数的最优化，可以通过显示屏的远程诊断参数配置界面，选择参数寻优策略，防止因参数不符合要求模型过拟合或欠拟合。

训练好的诊断模型和最优参数保存在存储模块中，当在诊断识别模块进行故障诊断的时候，需要从存储模块下进行调用，然后基于已经训练好的模型进行故障的诊断识别，当故障识别出后会将故障信息发送给云端数据交换模块，进而传输给显示屏的故障显示界面进行故障的显示。同理，车载诊断单元也可以传输给显示屏进行故障的显示。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。