一种基于VR的车辆维修保养辅助系统，包括车辆数据获取模块、车辆故障数据库、虚拟故障维修数据库、数据处理模块、车辆故障诊断模块和虚拟现实演示模块。本发明的有益效果：将BP神经网络应用于车辆故障诊断中，采用车辆的故障类型和其对应的车辆运行数据对所述BP神经网络进行训练，从而建立起车辆运行数据和故障类型之间的映射，即可根据获得的车辆运行数据对车辆的故障类型进行实时的诊断；将虚拟现实技术应用到车辆维修中，通过虚拟现实技术复现车辆的维修过程，维修人员通过观看虚拟维修过程演示，能够更加直观地对维修过程进行了解，为车辆维修奠定了基础。
1.一种基于VR的车辆维修保养辅助系统，其特征是，包括车辆数据获取模块、车辆故障数据库、虚拟故障维修数据库、数据处理模块、车辆故障诊断模块和虚拟现实演示模块，所述车辆数据获取模块用于获取能够反映车辆状态的车辆运行数据，所述车辆故障数据库中存储有车辆的故障类型和所述故障类型对应的车辆运行数据，所述虚拟故障维修数据库中存储有车辆的故障类型和所述故障类型对应的维修方式，所述数据处理模块用于对车辆数据获取模块和车辆故障数据库中的数据进行归一化处理，所述车辆故障诊断模块采用归一化处理后的车辆故障数据库中的数据训练BP神经网络诊断模型，并将归一化处理后的车辆数据获取模块的车辆运行数据输入到训练好的BP神经网络诊断模型进行车辆故障诊断，BP神经网络诊断模型的输出结果即为车辆的故障类型，所述虚拟现实演示模块用于根据车辆故障诊断模块诊断所得的故障类型调取虚拟故障维修数据库中存储的所述故障类型对应的维修方式，并以虚拟现实技术演示所述维修方式；
采用粒子群算法优化车辆故障诊断模块中采用的BP神经网络的权重和阈值，定义粒子群算法的适应度函数f的表达式为：式中，n表示样本个数，Yij表示第i个样本的第j个理想输出值，yij表示第i个样本的第j个实际输出值，p代表输出节点个数；
在所述粒子群算法中定义三种不同的粒子更新模式，第一种粒子更新模式为：Xi(t+1)＝Xi(t)+Vi(t+1)
式中，Xi(t)和Vi(t)分别表示粒子i在第t次迭代更新后的位置和步长，Xi(t+1)和Vi(t+
1)分别表示粒子i在第(t+1)次迭代更新后的位置和步长， 表示粒子i在第t次迭代更新后采用第一种更新模式进行更新对应的惯性权重因子， 表示粒子i在第t次迭代更新后采用第二种更新模式进行更新对应的惯性权重因子， 表示粒子i在第t次迭代更新后采用第三种更新模式进行更新对应的惯性权重因子，rand()表示产生0到1之间的随机数，c1、c2、c3、c4、c5和c6分别为学习因子，且c1、c2、c3、c4、c5、c6的值设置为2，B(t)表示粒子群在第t次迭代更新后的全局最优解，Pi(t)表示粒子i在第t次迭代更新后的个体最优解，Li(t)表示粒子i在第t次迭代更新后的局部参考解，且 θ(Xi(t),Xl(t))为判断函数，且 其
中，Xl(t)表示粒子l在第t次迭代更新后的位置，fi(t)表示粒子i在第t次迭代更新后对应的适应度函数值，fl(t)表示粒子l在第t次迭代更新后对应的适应度函数值，d(Xi(t),Xl(t))表示粒子i在第t次迭代更新后的位置Xi(t)和粒子l在第t次迭代更新后的位置Xl(t)之间的距离 ，Ri (t) 为粒 子i 在第 t次迭 代更 新后对 应的 局部 参考半 径 ，且表示粒子i在第t次迭代更新后的位置Xi(t)和粒
表示粒子i在第t次迭代更新后的位置Xi(t)和粒子群中其他粒子的位置之间距离的中值，且 Ki(t)表示粒子i在第t次迭代更新后的全局
参考解，且 d(Pi(t),B(t))表示粒子i在第t次迭代更新后的个体最优解Pi(t)和全局最优解B(t)之间的距离， 表示粒子i在第t次迭代更新后的 位 置X i (t ) 和 粒 子 群 中 其 他 粒 子的 位 置 之 间 距 离 的 最 大 值 ，且
2.根据权利要求1所述的一种基于VR的车辆维修保养辅助系统，其特征是，定义表示粒子i选取第j种更新模式进行第(t+1)次迭代更新的优先级，且 的表达式为：
式中， 表示粒子i从初始化到第t次迭代更新后采用第j种更新模式进行更新的迭代总次数， 表示粒子i第l次采用第j种更新模式进行更新对应的迭代次数， 表示粒子i在第 次迭代更新后对应的适应度函数值， 表示粒子i在第次迭代更新后对应的适应度函数值， 为比较函数，当
采用第j种更新模式进行更新对应的迭代次数， 表示粒子i在第 次迭代更新后对应的适应度函数值， 表示粒子i在第 次迭代更新后对应的适应max min
度函数值，fi (t)和fi (t)分别表示粒子i从初始化到第t次迭代更新后的最大适应度函数值和最小适应度函数值， 为粒子i在第t次迭代更新后采用第j种更新模式进行更新的优先级的修正因子，当fi(t)≤H1(f)时，则 当H1(f)H2(f)时，则 其中，H1(f)和H2(f)为给定的第一适应度函数阈值和第二适应度函数阈值，且
其中，N为粒子群中粒子的总数， 为粒子群在第t次迭代更新后的平均适应度函数值，为比较函数，当 时，则 当 时，则粒子i最终选取具有最大优先级的更新模式进行第(t+1)次的迭代更新。
一种基于VR的车辆维修保养辅助系统
技术领域
[0001] 本发明创造涉及车辆维修保养领域，具体涉及一种基于VR的车辆维修保养辅助系统。
背景技术
[0002] 经济的高速发展使人们的生活水平得到了显著提高，对于车辆的需求也越来越大，而这一需求推动了我国汽车行业的较快发展。尤其近几年，随着科技水平的日新月异，汽车的架构越来越复杂，因此，对于车辆维修的要求也越来越严格，正是由于新技术的不断向前发展，也促进了车辆故障诊断技术的不断更新和完善。如今，人工智能已经成为一个具有众多实际应用与活跃研究课题的领域，并且发展迅速，通过人工智能方法来改进现有的车辆故障诊断技术，对于汽车故障诊断技术水平的提升具有重要意义。
[0003] 此外，车辆的内部结构复杂，在车辆维修过程中涉及较多的维修步骤和维修工具等，将虚拟现实技术应用到车辆维修中，通过虚拟现实技术复现车辆的维修过程，维修人员通过观看虚拟维修过程演示，能够更加直观地对维修过程中涉及的安全条件和维修工具使用情况以及维修步骤进行了解，为车辆维修奠定了基础。
发明内容
[0004] 针对上述问题，本发明旨在提供一种基于VR的车辆维修保养辅助系统。
[0005] 本发明创造的目的通过以下技术方案实现：
[0006] 一种基于VR的车辆维修保养辅助系统，包括车辆数据获取模块、车辆故障数据库、虚拟故障维修数据库、数据处理模块、车辆故障诊断模块和虚拟现实演示模块，所述车辆数据获取模块用于获取能够反映车辆状态的车辆运行数据，所述车辆故障数据库中存储有车辆的故障类型和所述故障类型对应的车辆运行数据，所述虚拟故障维修数据库中存储有车辆的故障类型和所述故障类型对应的维修方式，所述数据处理模块用于对车辆数据获取模块和车辆故障数据库中的数据进行归一化处理，所述车辆故障诊断模块采用归一化处理后的车辆故障数据库中的数据训练BP神经网络诊断模型，并将归一化处理后的车辆数据获取模块的车辆运行数据输入到训练好的BP神经网络诊断模型进行车辆故障诊断，BP神经网络诊断模型的输出结果即为车辆的故障类型，所述虚拟现实演示模块用于根据车辆故障诊断模块诊断所得的故障类型调取虚拟故障维修数据库中存储的所述故障类型对应的维修方式，并以虚拟现实技术演示所述维修方式。
[0007] 本发明创造的有益效果：将BP神经网络应用于车辆故障诊断中，采用车辆的故障类型和其对应的车辆运行数据对所述BP神经网络进行训练，从而建立起车辆运行数据和故障类型之间的映射，即可根据获得的车辆运行数据对车辆的故障类型进行实时的诊断；将虚拟现实技术应用到车辆维修中，通过虚拟现实技术复现车辆的维修过程，维修人员通过观看虚拟维修过程演示，能够更加直观地对维修过程进行了解，为车辆维修奠定了基础。
附图说明
[0008] 利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
[0009] 图1是本发明结构示意图。
具体实施方式
[0010] 结合以下实施例对本发明作进一步描述。
[0011] 参见图1，本实施例的一种基于VR的车辆维修保养辅助系统，包括车辆数据获取模块、车辆故障数据库、虚拟故障维修数据库、数据处理模块、车辆故障诊断模块和虚拟现实演示模块，所述车辆数据获取模块用于获取能够反映车辆状态的车辆运行数据，所述车辆故障数据库中存储有车辆的故障类型和所述故障类型对应的车辆运行数据，所述虚拟故障维修数据库中存储有车辆的故障类型和所述故障类型对应的维修方式，所述数据处理模块用于对车辆数据获取模块和车辆故障数据库中的数据进行归一化处理，所述车辆故障诊断模块采用归一化处理后的车辆故障数据库中的数据训练BP神经网络诊断模型，并将归一化处理后的车辆数据获取模块的车辆运行数据输入到训练好的BP神经网络诊断模型进行车辆故障诊断，BP神经网络诊断模型的输出结果即为车辆的故障类型，所述虚拟现实演示模块用于根据车辆故障诊断模块诊断所得的故障类型调取虚拟故障维修数据库中存储的所述故障类型对应的维修方式，并以虚拟现实技术演示所述维修方式。
[0012] 本优选实施例将BP神经网络应用于车辆故障诊断中，采用车辆的故障类型和其对应的车辆运行数据对所述BP神经网络进行训练，从而建立起车辆运行数据和故障类型之间的映射，即可根据获得的车辆运行数据对车辆的故障类型进行实时的诊断；将虚拟现实技术应用到车辆维修中，通过虚拟现实技术复现车辆的维修过程，维修人员通过观看虚拟维修过程演示，能够更加直观地对维修过程进行了解，为车辆维修奠定了基础。
[0013] 优选地，采用粒子群算法优化车辆故障诊断模块中采用的BP神经网络的权重和阈值，定义粒子群算法的适应度函数f的表达式为：
[0014]
[0015] 式中，n表示样本个数，Yij表示第i个样本的第j个理想输出值，yij表示第i个样本的第j个实际输出值，p代表输出节点个数。
[0016] 本优选实施例将粒子群算法和BP神经网络进行结合，利用粒子群算法优化BP神经网络的权值和阈值，粒子群算法优化有助于BP神经网络跳出局部极小值，较好的改善了故障诊断的性能；定义的适应度函数值越小，表明粒子的寻优结果越好。
[0017] 优选地，在粒子群算法中定义三种不同的粒子更新模式，第一种粒子更新模式为：
[0018]
[0019] Xi(t+1)＝Xi(t)+Vi(t+1)
[0020] 第二种粒子更新模式为：
[0021]
[0022] Xi(t+1)＝Xi(t)+Vi(t+1)
[0023] 第三种粒子更新模式为：
[0024]
[0025] Xi(t+1)＝Xi(t)+Vi(t+1)
[0026] 式中，Xi(t)和Vi(t)分别表示粒子i在第t次迭代更新后的位置和步长，Xi(t+1)和Vi(t+1)分别表示粒子i在第(t+1)次迭代更新后的位置和步长， 表示粒子i在第t次迭代更新后采用第一种更新模式进行更新对应的惯性权重因子， 表示粒子i在第t次迭代更新后采用第二种更新模式进行更新对应的惯性权重因子， 表示粒子i在第t次迭代更新后采用第三种更新模式进行更新对应的惯性权重因子，rand()表示产生0到1之间的随机数，c1、c2、c3、c4、c5和c6分别为学习因子，且c1、c2、c3、c4、c5、c6的值设置为2，B(t)表示粒子群在第t次迭代更新后的全局最优解，Pi(t)表示粒子i在第t次迭代更新后的个体最优解，Li(t)表示粒子i在第t次迭代更新后的局部参考解，且 θ(Xi(t)，Xl(t))为判断函数，且
其中，Xl(t)表示粒子l在第t次迭代更新后的位置，fi(t)表示粒子i在第t次迭代更新后对应的适应度函数值，fl(t)表示粒子l在第t次迭代更新后对应的适应度函数值，d(Xi(t)，Xl(t))表示粒子i在第t次迭代更新后的位置Xi(t)和粒子l在第t次迭代更新后的位置Xl(t)之间的距离，Ri(t)为粒子i在第t次迭代更新后对应的局部参考半径，且
表示粒子i在第t次迭代更新后的位置Xi(t)和粒
子群中其他粒子的位置之间距离的最小值，且
表示粒子i在第t次迭代更新后的位置Xi(t)和粒子群中其他粒子的位置之间距离的
中值，且 Ki(t)表示粒子i在第t次迭代更新后的全局
参考解，且 d(Pi(t)，B(t))表示粒子i在第t次迭代更新后
的个体最优解Pi(t)和全局最优解B(t)之间的距离， 表示粒子i在第t次迭代更新后
的 位 置X i (t ) 和 粒 子 群 中 其 他 粒 子的 位 置 之 间 距 离 的 最 大 值 ，且[0027] 本优选实施例对粒子群定义了三种不同的粒子更新模式，提高了粒子群算法的多样性，避免算法陷入局部极值，第一种粒子更新模式中令粒子向粒子群的全局最优解进行学习，提高了粒子群算法的全局搜索能力，第二种粒子更新模式中令粒子向其个体最优解和其局部参考半径内适应度函数值优于其适应度值的粒子学习，提高了粒子群算法的局部搜索能力，第三种更新模式中引入了粒子的个体最优解和粒子群的全局最优解，兼顾了粒子群算法的全局搜索能力和局部搜索能力，同时，第三种更新模式中引入了全局参考解，当粒子的个体最优解和全局最优解相差较大时，在第三种更新模式中添加的全局参考解能够有效的增大Vi(t+1)的值，从而能够有效的提升粒子的收敛速度并且有利于全局搜索。
[0028] 优选地，定文 表示粒子i选取第j种更新模式进行第(t+1)次迭代更新的优先级，且 的表达式为：
[0029]
[0030] 式中， 表示粒子i从初始化到第t次迭代更新后采用第j种更新模式进行更新的迭代总次数， 表示粒子i第l次采用第j种更新模式进行更新对应的迭代次数，表示粒子i在第 次迭代更新后对应的适应度函数值， 表示粒子i
在第 次迭代更新后对应的适应度函数值， 为比较函
数，当 时，则 当
时，则 表示粒子i最近一次采
用第j种更新模式进行更新对应的迭代次数， 表示粒子i在第 次迭代更新后
对应的适应度函数值， 表示粒子i在第 次迭代更新后对应的适应度
函数值，fimax(t)和fimin(t)分别表示粒子i从初始化到第t次迭代更新后的最大适应度函数值和最小适应度函数值， 为粒子i在第t次迭代更新后采用第j种更新模式进行更新的优先级的修正因子，当fi(t)≤H1(f)时，则 当H1(f)＜fi(t)≤H2(f)时，则
当fi(t)＞H2(f)时，则 其中，H1(f)和H2(f)为给定的第
一适应度函数阈值和第二适应度函数阈值，且
其中，N为粒子群中粒子的总数， 为粒子群在第t次迭代更新后的平均适应度函数值，为比较函数，当 时，则 当 时，则
[0031] 粒子i最终选取具有最大优先级的更新模式进行第(t+1)次的迭代更新。
[0032] 本优选实施例通过计算粒子选取第一、第二和第三种更新模式进行更新的优先级确定粒子选取哪种更新模式进行迭代更新，在粒子进行迭代更新时，首先计算粒子选取第一、第二和第三种更新模式进行更新的优先级，所述优先级的计算公式中包括了指数函数部分和修正因子部分，所述指数函数部分的值由该粒子最近一次采用该种更新模式进行更新后的适应度函数值的变化情况和该粒子采用该种更新模式进行更新的成功率共同决定，当所述粒子最近一次采用该种更新模式进行更新后，所述粒子的适应度函数值相较于前一次迭代更新后的适应度函数值越小，表明该粒子采用该种更新模式的寻优结果越好，指数函数部分的值也就越大，当所述粒子采用该种更新模式进行更新的成功率越高，表明该粒子采用该种更新模式进行更新的寻优结果越好，指数函数部分的值也就越大，即所述粒子采用该种更新模式的优先级也就越大；优先级公式中的修正因子从粒子当前的适应度函数值进行考虑，粒子当前迭代更新后的适应度函数值较小，表明该粒子的寻优能力较好，令寻优能力较好的粒子从全局去探索更好搜索区域，从而带动其他粒子的搜索，因此，修正因子增加了寻优能力较好的粒子选取第一种更新模式进行更新的优先级，粒子当前迭代更新后的适应度函数值较大，表明该粒子的寻优能力较差，令寻优能力较差的粒子加强局部搜索，即修正因子增加了寻优能力较差的粒子选取第二种更新模式进行更新的优先级，当粒子当前迭代更新后的适应度函数值处于第一适应度函数阈值和第二适应度函数阈值之间，表明该粒子是粒子群中寻优能力一般的粒子，具有较好的全局搜索能力和局部搜索能力，因此，修正因子增加了寻优能力一般的粒子选取第三种更新模式进行更新的优先级；最后，粒子选取优先级最大的更新模式进行更新，选取的更新模式更加的适应粒子的自身特性，提高了粒子的寻优能力。
[0033] 优选地，设 表示粒子i在第t次迭代更新后采用第j种更新模式进行更新对应的惯性权重因子，且j＝1，2，3， 的值采用下列方式进行确定：
[0034] (1)将粒子群中在第t次迭代更新后选取第j种更新模式进行第(t+1)次迭代更新的粒子按其适应度值由小到大进行排列组成集合J(t)，得到粒子i在集合J(t)中的排序[0035] (2)给定理想适应度函数值F(X)，定义粒子群在第t次迭代更新后的种群寻优度检测因子为β(t)，则β(t)的表达式为：
[0036]
[0037] 其中，f(Pi(t))表示粒子i在第t次迭代更新后的个体最优解Pi(t)对应的适应度函数值，fmax(t)表示粒子群在第t次迭代更新后的最大适应度函数值，fmin(t)表示粒子群在第t次迭代更新后的最小适应度函数值，F(X)为给定的理想适应度函数值，F(X)的值可以取0.0001，将理想适应度函数值F(X)对应的位置X视为理想最优解；
[0038] 则 的值为：
[0039]
[0040] 式中，ωmax和ωmin为给定的最大惯性权重因子和最小惯性权重因子， 为采用第j种更新模式进行更新对应的最大惯性权重因子，且 Nj为集合J(t)中的粒子数。
[0041] 本优选实施例用于确定粒子群中在第t次迭代更新后选取第j种更新模式进行更新的粒子对应的惯性权重因子，设置的惯性权重因子值由粒子的适应度函数值和粒子群的种群寻优度检测因子共同决定，首先，将选取相同更新模式的粒子按其适应度值由小到大进行排序组成集合J(t)，获取粒子适应度值的排序，所述排序反应了粒子的寻优结果相较于其他选取相同更新模式的粒子的寻优结果的好坏，排序越靠前其适应度函数值越小，表明该粒子相较于其他选取相同跟新模式的粒子的寻优能力较好，对于该种粒子，设置其较大的惯性权重因子，使其可以从全局去探索更好的搜索区域，而排序较后的粒子其适应度值较大，表明该粒子相较于其他选取相同更新模式的粒子的寻优能力较差，对于该种粒子，设置其较小的惯性权重因子，使其可以较快的收敛到比较好的区域，加强该区域的局部搜索；粒子的适应度值排序仅仅能够反映粒子自身的寻优状态，并不能反映粒子群整体的寻优状态，当粒子群整体已经收敛到理想最优解附近时，如果对寻优能力较好的粒子采用较大的惯性权重值，则该寻优能力较好的粒子很有可能会逃离理想最优解，从而降低该粒子的寻优性能，为了避免这种现象，本优选实施例引入了种群寻优度检测因子，所述种群寻优检测因子通过将粒子群中各粒子的适应度函数值和给定的理想适应度函数值进行比较，从而判断粒子群整体的寻优状态，β(t)的值越大，表明粒子群整体距离理想最优解越近，β(t)的值越小，表明粒子群整体距离理想最优解越远，根据种群寻优度检测因子对粒子的惯性权重因子进行约束，从而避免了对寻优能力较好的粒子设置较大的惯性权重因子而使得该粒子逃离理想最优解的现象，增加了粒子群算法的寻优性能。
[0042] 最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。
