鹤山升降车出租，  三水升降车出租，  从化升降车出租       升降车的电磁阀控制系统的故障检测与容错控制分析方法？   电磁阀控制系统的故障检测方法一般分为4种：（1）基于硬件的故障检测； （2）基于信号处理的故障检测；（3）基于模型的故障检测；（4）基于数据驱动的故障检测。故障容错分为：（1）被动故障容错；（2）主动故障容错。

          1基于硬件的电磁阀故障检测，利用诊断硬件实现故障诊断被认为是一种快速响应的故障诊断方法，往往利用逻辑器件搭建特定的模拟处理电路对信号进行检测和处理，生成逻辑故障指示等。此方法能够对特定的应用进行快速的故障检测和定位，但是此种方法对某些参数修改的灵活性欠佳，并且对硬件设计的要求较高，开发周期长。根据高压共轨柴油机喷油电磁阀实时电流值提取电流特征，根据电流特征判断电磁阀的工作状态是处于正常还是短路或者断路故障。最后基于CPLD（复杂可编程逻辑器件）采用纯硬件的方式设计了电磁阀正常的驱动以及故障检测系统，由于纯硬件的响应速度优势该系统能够很快速的实现故障检测，并在故障后能迅速强制关闭开关管并向控制系统发送故障指示实现对系统的保护以及后期对系统的维护。

       2基于信号处理的电磁阀故障检测，此种方法是对测量数据进行一些分析或数学的操作，对电磁阀的位置、速度、加速度、电流信号、振动信号、磁场等信号，使用时域和频域信号处理技术，如小波分解、模糊层次分析、积分累加等方法来区分正常状态和故障状态。根据电磁阀实时电流值提取正常状态和故障状态的驱动电流特征给出了电磁阀正常时候的驱动、故障检测和保护算法，并设计了硬件和软件实现算法。在无线网络平台上，通过霍尔传感器检测电磁阀在通断电时候的磁场强度阶跃变化信号，以及电磁阀在通断电时候造成的机械振动信号，采用三层小波包的频带能量分析方法提取正常状态和故障状态的特征，进行匹配对比检测电磁阀的故障。针对飞行器伺服电磁阀的不完全故障，如非百分之百的健康、非百分之百的故障，采集电磁阀的电压和电流信号，采用模糊推理的检测算法对电磁阀整个区间段的故障检测进行了覆盖。降低了对不完全故障检测对人工经验的依赖。通过向电磁阀注入某一激励使电磁阀活塞振动，采集电磁阀活塞振动信号，得到固有频率的幅值，跟正常状态的固有频率处的幅值比较进行故障检测。对添蓝喷射阀的实际压力值与目标压力值的差值进行实时积分，如果出现故障，此积分值会迅速变化从而检测故障。利用电磁阀驱动电流的上升速度可以判断电磁阀内部电参数故障，通过线路故障组合逻辑真值表判断电磁阀的短路和断路故障。根据电磁阀的驱动电流特性，设计了硬件检测电路并在此基础上利用模糊层次法设计检测程序对电磁阀内部以及外部连接故障进行了检测。根据电磁阀的驱动电流特性，实现了油泵电磁阀以及喷油器电磁阀的短路、断路及喷油器的对地短路等故障检测。基于电流特征值进行故障诊断和补偿处理，保证故障缸和正常缸相同的喷油定时和喷油量。基于小波算法提取电磁阀振动信号的幅值检测某些特殊故障如线圈退化等。

         鹤山升降车出租，  三水升降车出租，  从化升降车出租 http://www.guangzhoushengjiangchechuzu.com/

         3  基于模型的电磁阀故障检测，基于模型的方法一般使用分析或基于知识的方法对系统进行建模，从而确定是否发生了故障。基于模型的方法包括基于等价空间的方法、基于观测器的方法和基于参数识别的方法等。提出了一种基于模型和数据驱动的直接电控制动故障诊断新方案。传感器和电磁阀的故障检测是在不同的制动过程中实现的，自动实现故障隔离。对电磁阀的驱动电流进行了分析，用驱动电流表征电磁阀的状态。利用小波包分解提取电磁阀故障特征，利用BP神经网络进行电磁阀故障识别。在确定电磁阀流量特性的基础上，建立了电磁阀充放电过程的压力模型，该模型可产生系统剩余量。实现了传感器的故障诊断。该方法在不增加硬件的基础上实现了对直接电气制动的故障诊断。对电磁阀建立了模型预测控制器，采用最优化思想建立目标函数，找到最优点。将正常时候的最优点与实际最优点匹配进行故障检测。利用电磁阀的机电特性，对电磁阀的电枢运动及其开关功能进行了重构。通过比较预估的电枢行程和标称值，可以检测到电枢阻塞等故障。将基于预报器的预测方法应用于电磁线圈的早期绝缘退化监测。基于模型的故障检测方法在瞬态运行、元件退化和测量误差方面具有很好的效果。然而，由于其计算复杂度往往导致效率很低，因此，它们不提供快速的故障检测和保护。

            4  基于数据驱动的电磁阀故障检测，基于数据驱动的故障诊断方法有很多，如神经网络、模糊逻辑、小波分析等等。在基于人工智能的技术中，对被测数据进行一些统计操作，或者利用测量结果训练一些神经网络来提取故障特征。利用基于支持向量机的参数优化故障模式分类模型对感知信号特征进行分类从而实现了故障诊断。基于动量自适应学习速率调整算法的三层感知器BP网络，将转速、压力等输入到神经网络，最后输出故障信号，以此进行训练模型。并根据此模型进行故障检测。给出了一种基于经验模态分解（EMD,Empirical Mode Decomposition）与邻域粗糙集相结合的故障检测方法。首先对电流信号进行及经验模态分解得到表征信号特征的在时间尺度上的本征模态函数分量，然后提取可以表征故障的本征模态函数分量的能量熵，再利用邻域粗糙集进行冗余信息的去除，得到真正的“核心”从而降低系统的时间空间复杂度，再根据约简后的特征利用决策树算法进行故障检测。采用故障树分析的方法检测由现象推出原因得到了电磁阀故障检测方法。利用PNN神经网络对电磁阀正常状态和故障状态的模型进行训练，通过模型的对比匹配从而进行电磁阀故障检测。利用卷积神经网络对交流电磁阀进行物理建模，从而进一步进行故障检测。基于数据驱动的故障检测方法可以有效地提取故障信息；然而，它们需要一个大型的测量数据库来训练诊断模型，往往需要的数据处理是较大的，同其他方法相比需要更加消耗计算资源，因此被认为是计算速度慢的检测方法。

           5方法综合的电磁阀故障检测， 由于上诉故障检测方法都存在各自的优缺点，因此利用各种方法的优点，取长补短，实现一个相对较好的效果也是各个学者研究的热点，常见的如利用信号处理方法加上数据驱动方法可以实现相对快速准确的效果。将采集的实际电磁阀电流变化率作为特征曲线并在此基础上利用小波包分解得到电流的特征向量，最后将得到特征进行训练得到相应的模型，在训练模型上进行电磁阀相应故障的诊断。对电磁阀的电流进行基于模板匹配的能量特征提取，为了降低电流特征的维数，采用K-L变换实现降维以此降低复杂度，同时保留电磁阀电流的主要特征。最后用3层BP神经网络进行训练与模式识别，从而实现故障的检测。以电磁阀电流变化率为原始信号利用小波包变换以及能量距方法进行故障特征提取，再得到的故障特征上采用BP神经网络提出了对检测时间要求不高的非实时故障诊断方法，采用关联规则提出了实时故障诊断方法。通过以上的研究现状以及分析可以发现，目前大部分开关电磁阀驱动电路采用驱动电路。此驱动电路如果采用则主要包括电磁阀高端驱动模块和电磁阀低端驱动模块，如果采用闭环控制则还要包括电流检测模块。无论是电磁阀高端驱动模块还是低端驱动模块都主要由功率开关管（如MOSFET，5IGBT）构成。电流检测模块一般采用在电磁阀上串联采样电阻进行电流检测。电源根据应用场景不同而选择不同，比如用于工业则主要由24V电源或者其升降压实现，用于汽车则主要由汽车蓄电池供电。ADCMCU控制脉冲选缸信号电磁阀驱动电压IP为了实现电磁阀的快速开启以及节能的目的，常常采用驱动电流波形。控制脉冲选缸脉冲IP“峰值-维持”电流方法，电磁阀的驱动控制过程分为三个时间段，在第一个时间段，控制脉冲一直处于“1”状态，电磁阀电流一直上升实现电磁阀的快速开启。在第二个时间段，为了实现节能目的，将已经开通的电磁阀电流降低到足以维持开通的大小。在第三个时间段，直接将控制脉冲置零，实现电磁阀电流下降从而关闭电磁阀。对于电磁阀的故障诊断，采用的主流方法为对电流直接检测处理：基于硬件、基于信号处理、基于模型、基于数据驱动。其中基于硬件的故障诊断方法最快，基于数据驱动的故障诊断方法一般占用资源多，基于信号兼顾了速度与资源消耗因此应用最广泛。

               鹤山升降车出租，  三水升降车出租，  从化升降车出租