汽车衡作为称量大宗型货物的衡器,广泛应用于矿山港口、仓储运输等部门,其正常工作与否,直接关系到称量的准确度。现有的汽车衡故障检测方法多依靠人工进行记录和判断,检测效率低,过程复杂。本文针对汽车衡现有故障检测方法的不足,在国家自然科学基金“新型神经网络及其在大型衡器中的应用研究”的支持下,进行了如下研究:介绍了汽车衡及其故障检测方法的研究现状与发展趋势、汽车衡称重系统的结构及原理,阐述了现有汽车衡故障检测方法及其不足,指出了论文研究的背景及意义。通过分析汽车衡零点故障产生的原因及故障类型,提出了一种基于递推主元分析与四种故障检测指标相结合的传感器零点故障在线检测方法,建立了可实时更新的递推主元模型,利用故障检测指标(T~2、T_H~2、SPE、PVR)构建的综合评判方法实现了基于称重传感器零点的微小故障检测,模拟仿真实验验证了该方法的准确性。通过分析汽车衡称重传感器突变故障产生的原因及故障类型,提出了一种基于反向传播神经网络(BPNN)与小波分析相结合的传感器突变故障检测方法,建立汽车衡称重传感器输出预测模型,利用小波变换对传感器预测误差值进行分析,实现汽车衡突变故障检测,模拟仿真实验验证了该方法的有效性与准确性。设计了汽车衡多传感器故障检测系统,主要由汽车衡、调理电路、数据采集卡、上位机平台组成。数据采集卡将称重数据传输到上位机,上位机实现称重数据记录与保存、传感器零点故障检测、BP神经网络训练及传感器突变故障检测等。该系统操作方便,可行性高。利用汽车衡实验平台进行了现场试验与测试,实验结果表明,采用递推主元分析和四种故障检测指标相结合的算法,在任意一路传感器发生零点故障且故障强度较小时,故障整体误判率≤3%;采用BP神经网络与小波分析相结合的算法,能够准确检测到汽车衡称重传感器的突变故障,提高了检测效率,在任意一路传感器出现突变故障且故障强度较小时,故障误判率≤3%。