(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111345294.8 (22)申请日 2021.11.15 (71)申请人 中国人民解 放军63963部队 地址 100072 北京市丰台区槐树岭3号院 (72)发明人 麻雄　陈悦峰　王伟　陶溢　 张建民　 (74)专利代理 机构 北京春江专利商标代理事务 所(普通合伙) 11835 代理人 向志杰 (51)Int.Cl. G06F 30/27(2020.01) G01M 17/007(2006.01) G06F 119/02(2020.01) (54)发明名称 无人车辆健康状态检测系统及检测方法 (57)摘要 本发明涉及一种无人车辆健康状态检测方 法， 所述系统包括： 模型建立设备， 用于建立深度 卷积神经网络模 型， 其输入数据为判断时刻之前 预设数量的各个采集时间段分别对应的幅度参 数和频率参数， 其输出数据为判断时刻特种无人 车辆发动机故障类型对应的故障编号； 网络训练 设备， 包括第一训练单元、 第二训练单元、 第三训 练单元、 第四训练单元和第五训练单元， 用于训 练所述深度卷积神经网络模型。 本发 明还涉及一 种无人车辆健康状态检测系统。 通过本发明， 能 够引入深度卷积神经网络对发动机当前主要故 障类型进行智能化解析， 同时引入了针对性训练 机制以及兼顾各种类型发动机的隐含层数量选 择机制， 从而保证了训练后的深度卷积神经网络 的可靠性和兼容 性。 权利要求书3页 说明书8页 附图4页 CN 114154400 A 2022.03.08 CN 114154400 A 1.一种无 人车辆健康状态检测系统， 用于特种无 人车辆， 其特 征在于， 所述系统包括： 模型建立设备， 用于建立深度卷积神经网络模型， 所述深度卷积神经网络模型包括单 个输入层、 N个隐含层和单个输出层， 其中， N为大于等于1的自然 数， 所述输入层的输入 数据 为判断时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数， 所述输出层 的输出数据为判断时刻特种无 人车辆发动机故障类型对应的故障编号； 网络训练设备， 包括第一训练单元、 第二训练单元、 第三训练单元、 第 四训练单元和第 五训练单 元， 用于对所述深度卷积神经网络模型进行训练； 信息采集设备， 与所述网络训练设备连接， 用于采集当前时刻之前预设数量的各个采 集时间段分别对应的幅度参数和频率参数作为所述网络训练设备训练后的模型的输入层 的输入数据； 故障判断设备， 与所述信息采集设备连接， 用于运行所述网络训练设备训练后的模型 以将输出层输出的故障编号对应的故障类型作为所述特种无人车辆当前的发动机故障类 型输出； 其中， 所述输入层的输入数据为判断时刻 之前预设数量的各个采集 时间段分别对应的 幅度参数和频率 参数包括： 预设数量的各个采集时间段时间长度相等； 其中， 所述输入层的输入数据为判断时刻 之前预设数量的各个采集 时间段分别对应的 幅度参数和频率参数包括： 针对每一采集时间段， 对应的幅度参数为在所述采集时间段内 采集的特种无 人车辆发动机噪声的最大幅度； 其中， 所述输入层的输入数据为判断时刻 之前预设数量的各个采集 时间段分别对应的 幅度参数和频率参数包括： 针对每一采集时间段， 对应的频率参数为在所述采集时间段内 采集的特种无 人车辆发动机噪声的平均频率； 其中， 所述深度卷积神经网络模型包括单个输入层、 N个隐含层和单个输出层包括： 所 述特种无 人车辆的发动机零件数量越多， N的取值越大。 2.如权利要求1所述的无 人车辆健康状态检测系统， 其特 征在于， 所述系统还 包括： 数据显示设备， 设置在所述特种无人车辆的中控台处， 与所述故障判断设备连接， 用于 接收并显示所述特种无 人车辆当前的发动机故障类型。 3.如权利要求1所述的无 人车辆健康状态检测系统， 其特 征在于， 所述系统还 包括： 无线通信设备， 设置在所述特种无人车辆的车身上， 与所述故障判断设备连接， 用于将 接收到的所述特种无人车辆当前的发动机故障类型无线发送给远端的车辆控制中心的云 端服务器。 4.如权利要求1 ‑3任一所述的无 人车辆健康状态检测系统， 其特 征在于： 所述输出层的输出数据为判断时刻特种无人车辆发动机故障类型对应的故障编号包 括： 特种无人车辆发动机故障类型包括点火提前角提前、 点火提前角滞后、 进气间隙过大、 排气间隙过 大以及一缸不工作。 5.如权利要求 4所述的无 人车辆健康状态检测系统， 其特 征在于： 所述输出层的输出数据为判断时刻特种无人车辆发动机故障类型对应的故障编号包 括： 点火提前角提前、 点火提前角滞后、 进气间隙过大、 排气间隙过大以及一缸不工作分别 对应的故障编号 为00、 01、 02、 0 3和04。 6.如权利要求5所述的无 人车辆健康状态检测系统， 其特 征在于：权　利　要　求　书 1/3 页 2 CN 114154400 A 2在所述网络训练设备中， 所述第一训练单元与所述模型建立设备连接， 用于将特种无 人车辆发动机处于点火提前角提前的发动机故障时之前预设数量的各个采集时间段分别 对应的幅度参数和频率参数作为所述深度卷积神经网络模型的输入层的输入数据， 将00作 为所述深度卷积神经网络模型的输出层的输出数据对所述深度卷积神经网络模型进行训 练。 7.如权利要求6所述的无 人车辆健康状态检测系统， 其特 征在于： 在所述网络训练设备中， 所述第二训练单元与所述第一训练单元连接， 用于将发动机 故障替换为点火提前角滞后， 将输出数据替换为01对所述第一训练单元训练后的模型进 行 训练； 其中， 在所述网络训练设备中， 所述第三训练单元与所述第 二训练单元连接， 用于将 发 动机故障替换为进气间隙过大， 将输出数据替换为02对所述第二训练单元训练后的模型进 行训练。 8.如权利要求7 所述的无 人车辆健康状态检测系统， 其特 征在于： 在所述网络训练设备中， 所述第 四训练单元与所述第三训练单元连接， 用于将发动机 故障替换为排气间隙过大， 将输出数据替换为03对所述第三训练单元训练后的模型进行训 练； 其中， 在所述网络训练设备中， 所述第五训练单元与所述第四训练单元连接， 用于将 发 动机故障替换为一缸不工作， 将输出数据替换为04对所述第四训练单元训练后的模型进 行 训练， 并将训练后的模型作为所述网络训练设备训练后的模型输出。 9.一种无人车辆健康状态检测系统， 其特征在于， 所述系统包括存储器以及一个或多 个处理器， 所述存储器存储有计算机程序， 所述计算机程序被配置成由所述一个或多个处 理器执行以完成以下步骤： 建立深度卷积神经网络模型， 所述深度 卷积神经网络模型包括单个输入层、 N个隐含层 和单个输出层， 其中， N为大于等于1的自然 数， 所述输入层的输入数据为判断时刻之前预设 数量的各个采集时间段分别对应的幅度参数和频率参数， 所述输出层的输出数据为判断时 刻特种无 人车辆发动机故障类型对应的故障编号； 使用训练单 元对所述深度卷积神经网络模型进行训练； 采集当前时刻之前预设数量的各个采集时间段分别对应的幅度参数和频率参数作为 所述网络训练设备训练后的模型的输入层的输入数据； 运行所述网络训练设备训练后的模型以将输出层输出的故障编号对应的故障类型作 为所述特种无 人车辆当前的发动机故障类型输出； 其中， 所述输入层的输入数据为判断时刻 之前预设数量的各个采集 时间段分别对应的 幅度参数和频率 参数包括： 预设数量的各个采集时间段时间长度相等； 其中， 所述输入层的输入数据为判断时刻 之前预设数量的各个采集 时间段分别对应的 幅度参数和频率参数包括： 针对每一采集时间段， 对应的幅度参数为在所述采集时间段内 采集的特种无 人车辆发动机噪声的最大幅度； 其中， 所述输入层的输入数据为判断时刻 之前预设数量的各个采集 时间段分别对应的 幅度参数和频率参数包括： 针对每一采集时间段， 对应的频率参数为在所述采集时间段内 采集的特种无 人车辆发动机噪声的平均频率；权　利　要　求　书 2/3 页 3 CN 114154400 A 3