基于波形分析的汽車電控系統(tǒng)故障診斷技術(shù)(文獻(xiàn)翻譯)

1、PAGE .PAGE 16 FILENAME 基于波形分析的汽車電控系統(tǒng)缺點(diǎn)診斷技術(shù)文獻(xiàn)翻譯PAGE ：.；PAGE 13基于波形的汽車信號(hào)診斷及機(jī)械研討郭紅，雅閣.克羅斯曼，伊璐.墨菲，馬克.科爾曼，電機(jī)與電子工程師結(jié)合會(huì)成員摘要在本文中，我們描畫了一個(gè)智能信號(hào)分析系統(tǒng)，該系統(tǒng)在汽車發(fā)動(dòng)機(jī)缺點(diǎn)診斷的處理方案中采用的是小波變換。汽車發(fā)動(dòng)機(jī)診斷往往涉及多個(gè)信號(hào)的分析。首先，這個(gè)先進(jìn)的系統(tǒng)將引導(dǎo)信號(hào)分成許多小片段，每個(gè)片段代表一個(gè)物理事件，它是基于小波變換的多分辨率信號(hào)分析。接著，這個(gè)系統(tǒng)把主要信號(hào)的分區(qū)結(jié)果運(yùn)用到其他信號(hào)，其中每個(gè)分區(qū)的包括信號(hào)間關(guān)系的各種詳細(xì)屬性，都被提取了出來，而后構(gòu)成一個(gè)特

2、征向量。最后，模糊智能系統(tǒng)向一個(gè)包含從各種車輛形狀的信號(hào)段中，提取特征向量及訓(xùn)練集合學(xué)習(xí)診斷特性。模糊系統(tǒng)按其診斷實(shí)際，把信號(hào)按照異?；蛘＿M(jìn)展分類。在本文中，該系統(tǒng)的實(shí)施被描畫了出來，并且實(shí)驗(yàn)結(jié)果也呈現(xiàn)出來了。1引見隨著電子元件和車載電腦可靠性的提高，當(dāng)今汽車變得越來越復(fù)雜。其結(jié)果是，這些車輛的缺點(diǎn)診斷隨著零部件和控制器之間的相互作用越來越復(fù)雜，變得越來越具有挑戰(zhàn)性，并且有時(shí)是以人們不了解的方式出現(xiàn)。相應(yīng)地，汽車缺點(diǎn)診斷特別是非常規(guī)缺點(diǎn)任務(wù)，變得更加困難。技術(shù)人員甚至經(jīng)常無法查明呵斥缺點(diǎn)的根源，只是改換了自以為出了問題的部件，寄希望于這些部件是問題的根源所在。這一“扔掉汽車部件的方式提高了汽

3、車制造商的保修本錢，并會(huì)導(dǎo)致顧客不稱心。因此，汽車制造商以為有必要開發(fā)一種新型的電子診斷技術(shù)，協(xié)助 人們迅速找到導(dǎo)致車輛缺點(diǎn)的根本緣由。在20世紀(jì)80年代，發(fā)動(dòng)機(jī)電子控制技術(shù)的快速引進(jìn)，使汽車發(fā)動(dòng)機(jī)的性能大大提高。另一方面，這樣也使發(fā)動(dòng)機(jī)診斷成為車輛診斷中最困難的部分。汽車診斷技術(shù)，可以分為三大類：1) 車載診斷軟件和自檢過程。電子控制單元ECU軟件可合并自檢過程，在檢測(cè)到缺點(diǎn)時(shí)可以存儲(chǔ)缺點(diǎn)代碼。2運(yùn)用板外的診斷工具。當(dāng)檢查車輛獲取診斷數(shù)據(jù)時(shí)，掃描儀或掃描工具可以銜接到主板上的電腦診斷終端。這些工具可以簡(jiǎn)單地搜集缺點(diǎn)碼供ECU自檢，也可以記錄從主板上的車輛傳感器驅(qū)動(dòng)時(shí)的延續(xù)輸出信號(hào)。3封鎖車載

4、診斷站。這些工具結(jié)合從車輛ECU和傳感器下載數(shù)據(jù)，離板診斷在車輛上所運(yùn)用的復(fù)雜傳感器。同樣，這項(xiàng)技術(shù)剩下的全部義務(wù)是解釋數(shù)據(jù)。車載診斷有幾個(gè)限制。首先，軟件必需結(jié)合車輛詳細(xì)的硬件，這意味著不同的車輛不能共享一樣的軟件或診斷方法。第二，所提供的錯(cuò)誤代碼的主板上的軟件不，能提供足夠的細(xì)節(jié)允許進(jìn)展缺點(diǎn)診斷。第三，知識(shí)存儲(chǔ)在系統(tǒng)中是固定的，除非制造商更新它昂貴的配件。最后，由于在車輛上計(jì)算資源是有限的較慢的處置器，較少的信息的存儲(chǔ)空間，這是很難做到的僅僅去限制檢查診斷類型。先進(jìn)的信號(hào)分析技術(shù)，如信號(hào)轉(zhuǎn)換或機(jī)器學(xué)習(xí)技術(shù)是不能運(yùn)用的。隨著CPU和信號(hào)處置的快速開展，離板式診斷技術(shù)在車載診斷中更有前景。車載

5、電腦和離板式單元之間有數(shù)據(jù)銜接，這也是規(guī)范所在的地方ISO 9141，所以數(shù)據(jù)可以是先從ECU中搜集，之后經(jīng)過功能強(qiáng)大的計(jì)算機(jī)進(jìn)展離線分析。不幸的是，在這個(gè)時(shí)候，診斷技術(shù)遠(yuǎn)遠(yuǎn)落后于數(shù)據(jù)采集技術(shù)。車輛診斷技術(shù)可分為兩類：基于模型的技術(shù)和無模型的技術(shù)?；谀Ｐ偷募夹g(shù)，采用車輛部件的動(dòng)態(tài)數(shù)學(xué)建模來分析車輛系統(tǒng)的行為。雖然這些模型可用于檢查各發(fā)動(dòng)機(jī)部件的簡(jiǎn)單構(gòu)造，我們帶有互動(dòng)性元件實(shí)車沒有不準(zhǔn)確的模型。無模型系統(tǒng)以知識(shí)為根底，結(jié)合工程師的專業(yè)知識(shí)沒有關(guān)于系統(tǒng)動(dòng)力學(xué)細(xì)節(jié)確實(shí)切信息。這種方法被采用的理由是：即使在汽車機(jī)械和電氣動(dòng)態(tài)方面不具有廣泛的知識(shí)，許多有閱歷的技術(shù)人員依然可以找到缺點(diǎn)。該系統(tǒng)的例子包括

6、戰(zhàn)略引擎HP，測(cè)試平臺(tái)卡內(nèi)基組，IDEA菲亞特研討中心和MDS戴姆勒 - 飛馳研討。信號(hào)A 信號(hào)B信號(hào)信號(hào)A信號(hào)D信號(hào)B信號(hào)C圖1-1 信號(hào)改動(dòng)圖在本文中，我們描畫了一個(gè)經(jīng)過ECU信號(hào)分析診斷系統(tǒng)、運(yùn)用離板和無模型確定缺點(diǎn)車輛的情況。然而這里討論的動(dòng)力總成控制模塊PCM的信號(hào)開發(fā)的方法，這個(gè)信號(hào)系統(tǒng)足夠被用來其他多種信號(hào)缺點(diǎn)診斷問題。緊耦合的系統(tǒng)，如汽車動(dòng)力總成，每個(gè)組件的輸入和輸出影響其他大部分系統(tǒng)的組件。例如，驅(qū)動(dòng)程序按節(jié)流會(huì)導(dǎo)致發(fā)動(dòng)機(jī)的氣流添加。該P(yáng)CM改動(dòng)控制戰(zhàn)略，修正供油和火花時(shí)序。添加進(jìn)氣量和供油量，提高轉(zhuǎn)速可以顯著地改動(dòng)傳輸?shù)冉M件的輸出，如交流發(fā)電機(jī)輸出。此外，還有在反響回路系統(tǒng)

7、中，板載控制器監(jiān)視其輸出的排氣質(zhì)量、齒輪變化和氣流變化，進(jìn)一步修正系統(tǒng)的運(yùn)轉(zhuǎn)情況，以堅(jiān)持在最正確性能和排氣污染降到最低。外部要素如道路阻力系數(shù)、道路坡度、車輛的分量、自動(dòng)配件等提供物理反響系統(tǒng)進(jìn)一步改動(dòng)運(yùn)轉(zhuǎn)形狀。在我們的系統(tǒng)中，我們依賴動(dòng)力系統(tǒng)的信號(hào)獲得到這些物理事件。例如，圖1-1展現(xiàn)了一個(gè)簡(jiǎn)化的節(jié)氣門位置TP和每分鐘轉(zhuǎn)數(shù)RPM信號(hào)之間的關(guān)系。TP忽然上升和下降，而RPM模擬這種行為，但更順暢。這種簡(jiǎn)化是不完全準(zhǔn)確的，但經(jīng)過車輛信號(hào)演示的關(guān)鍵點(diǎn)可以看出重要的物理關(guān)系。圖1-1表示出了一組典型的四個(gè)不同的信號(hào)之間的關(guān)系。每個(gè)圓圈是一個(gè)信號(hào)，每條邊那么表示一個(gè)功能，結(jié)尾尾信號(hào)影響頭部信號(hào)。這些關(guān)

8、系往往是復(fù)雜的，包括五到十個(gè)不同的重要信號(hào)，并且有許多信號(hào)之間存在一定的循環(huán)。我們留意到運(yùn)用的信號(hào)對(duì)車輛進(jìn)展診斷相關(guān)的幾個(gè)重要問題。首先，我們必需區(qū)分信號(hào)好壞和運(yùn)轉(zhuǎn)不良的車輛情況。一個(gè)壞的信號(hào)普通是因一個(gè)壞的PCM或壞的傳感器呵斥的。情況不良的車輛形狀能夠是由于大量的電子方面或機(jī)械方面的要素呵斥的。無論它是電子零件壞了還是機(jī)械缺點(diǎn)，我們系統(tǒng)檢測(cè)到的信號(hào)指出不良車輛的情況。其次，我們留意到，并非一切的相應(yīng)的信號(hào)都可以模擬，它與實(shí)踐車輛存在物理的依賴關(guān)系。例如，沒有任何的信號(hào)來指示道路顛簸這一可以影響車輛的物理要素。為了處置這些未知的條件，我們培育了幾個(gè)條件，同時(shí)防止極端駕駛條件的車輛數(shù)據(jù)例如越野

9、賽車。最后，一切車輛無法一樣的信號(hào)。當(dāng)思索的車輛要素依賴于信號(hào)的關(guān)系時(shí)，會(huì)呵斥不能喪失的信號(hào)信息，否那么依賴于這些信息某些缺點(diǎn)無法進(jìn)展診斷。在本文中，我們偏重于開發(fā)分解多個(gè)信號(hào)、診斷特征提取、智能診斷的技術(shù)三方面。本文的組織構(gòu)造如下：在第二節(jié)中，我們簡(jiǎn)單引見診斷系統(tǒng)。在第三節(jié)，引見自動(dòng)分割算法，基于小波多分辨率分析。在第四節(jié)中，我們將討論如何處置、組合和構(gòu)成適宜輸入到機(jī)器學(xué)習(xí)系統(tǒng)的特征向量的特征，及分類資料。第五部分引見了如何基于模糊機(jī)器學(xué)習(xí)系統(tǒng)來學(xué)習(xí)好的和壞的信號(hào)特性。第六節(jié)描畫實(shí)施診斷系統(tǒng)，我們?cè)?jīng)獲得了令人鼓舞的實(shí)驗(yàn)結(jié)果。最后，第七節(jié)討論此研討呵斥的影響，以及到目前為止我們的任務(wù)和我們未

10、來的目的。2 系統(tǒng)概述我們?cè)?jīng)開發(fā)出的系統(tǒng)是一個(gè)多層次的診斷系統(tǒng)參見圖2-1。在這里，我們涉及到了每一層的簡(jiǎn)要概述及其目的。第二，第三和第四層在后面的章節(jié)中有更詳細(xì)討論。第一層和第五層在這里我們僅僅做下簡(jiǎn)要地討論。第一層的數(shù)據(jù)轉(zhuǎn)換成適宜的格式進(jìn)展處置。這一層是比較簡(jiǎn)單的，并不再做進(jìn)一步的討論。第二層的自動(dòng)分區(qū)的信號(hào)，轉(zhuǎn)換成可以運(yùn)用小波特征的另一個(gè)信號(hào)。圖2-2顯示了運(yùn)用已被分割的該模塊的TP信號(hào)。這些分部有三個(gè)目的。首先，他們把信號(hào)轉(zhuǎn)換成涉及到一些物理的車輛形狀額地域，例如加速或閑置。假設(shè)我們知道普通的物理形狀的車輛，我們可以消除許多能夠出現(xiàn)的缺點(diǎn)和行為，并知道它們能不能在給定的物理形狀發(fā)生。

11、第二，分割導(dǎo)致的信號(hào)數(shù)據(jù)的一個(gè)自然的聚類。在一個(gè)給定段的信號(hào)特性通常是與其他段一樣的形狀非常類似的行為。這導(dǎo)致了更為一致的訓(xùn)練和測(cè)試數(shù)據(jù)。第三，我們可以采用各段信號(hào)隔離缺點(diǎn)位置，這能夠會(huì)導(dǎo)致識(shí)別缺點(diǎn)更容易。最后，對(duì)原始信號(hào)作為一個(gè)整體進(jìn)展分割，這將導(dǎo)致大量的多余的數(shù)據(jù)一塊進(jìn)展分析，從而在一個(gè)非常復(fù)雜的特征向量的信號(hào)分析中獲得了很好的平衡。這種分割允許我們檢查不超載的信號(hào)系統(tǒng)提供的數(shù)據(jù)的重要細(xì)節(jié)。1數(shù)據(jù)轉(zhuǎn)換層2分割層3特征向量建立層4超級(jí)功能載體構(gòu)建成TP區(qū)段TP1數(shù)據(jù)轉(zhuǎn)換層2分割層3特征向量建立層4超級(jí)功能載體構(gòu)建成TP區(qū)段TP信號(hào)轉(zhuǎn)換信號(hào)轉(zhuǎn)換區(qū)段TP特征轉(zhuǎn)換特征點(diǎn)火提早角信號(hào)點(diǎn)火提早角區(qū)段點(diǎn)

12、火提早角特征車外數(shù)據(jù)圖2-1診斷系統(tǒng)的框圖圖2-2時(shí)間-樣本圖如圖2-2所示為分割TP信號(hào)的例子。線段在ADSAS上升表示開場(chǎng)加速，高穩(wěn)定段表示巡航，減速表示下降，低穩(wěn)定段表示閑置。這種分割是經(jīng)過我們的系統(tǒng)自動(dòng)完成的。第三層各分部提取功能，將這些功能整合到兼容一個(gè)特征向量的機(jī)器學(xué)習(xí)系統(tǒng)。這些特征向量的分類，可用于定義好的和壞的行為的重要方面。例如，我們能夠想看看在信號(hào)中的“噪音、段內(nèi)的變化率或運(yùn)動(dòng)方式。為了提取信息，我們以一個(gè)緊湊的方式運(yùn)用先進(jìn)的信號(hào)處置技術(shù)，包括統(tǒng)計(jì)數(shù)據(jù)信號(hào)本身相關(guān)的小波和傅立葉變換。從轉(zhuǎn)換系數(shù)和我們選擇的統(tǒng)計(jì)數(shù)據(jù)中看出，每個(gè)信號(hào)的數(shù)據(jù)元素最能代表給定信號(hào)的功能。最后，我們用

13、這個(gè)數(shù)據(jù)組成特征向量。第四層引入系統(tǒng)中的時(shí)間和信號(hào)依賴的概念。在這一層中，我們選擇一個(gè)主信號(hào)進(jìn)展分析，并選擇一組有一定的因果關(guān)系與給定主信號(hào)的參考信號(hào)。然后，我們結(jié)合我們的主信號(hào)的功能從基準(zhǔn)信號(hào)選擇功能，以構(gòu)成一個(gè)“超級(jí)特征向量。這種超級(jí)的特征矢量也可以包括前面的線段的特征，從而結(jié)合到系統(tǒng)中的時(shí)間依賴關(guān)系。例如，前面提到的“普通轉(zhuǎn)速上升在TP類似的上升所呵斥的。此外，由于物理慣性，通常在一個(gè)段轉(zhuǎn)速的行為的與緊接之前部分的行為聯(lián)絡(luò)非常親密。因此，我們創(chuàng)建了一個(gè)包含RPM的功能的超級(jí)特征向量RPM。隨著TP信號(hào)的形狀加速，減速，穩(wěn)定巡航，空閑形狀等，一個(gè)機(jī)器學(xué)習(xí)系統(tǒng)可以運(yùn)用此信息來區(qū)分轉(zhuǎn)速信號(hào)、T

14、P和那些不正常的反響。第五層和最后一層包括機(jī)器學(xué)習(xí)系統(tǒng)。本機(jī)器學(xué)習(xí)系統(tǒng)同時(shí)接受關(guān)于如何從一個(gè)不同的信號(hào)經(jīng)過單獨(dú)每個(gè)信號(hào)類型的知識(shí)庫(kù)識(shí)別缺點(diǎn)，在目前，我們運(yùn)用一個(gè)模糊學(xué)習(xí)系統(tǒng)，但該層可以推行到神經(jīng)網(wǎng)絡(luò)或其他適宜的機(jī)器學(xué)習(xí)系統(tǒng)。第4層將產(chǎn)生的超向量送入系統(tǒng)進(jìn)展訓(xùn)練學(xué)習(xí)。在這段時(shí)間內(nèi)進(jìn)展培訓(xùn)和監(jiān)視，所以我們提供了一個(gè)目的輸出系統(tǒng)嘗試匹配。我們留意到，面對(duì)許多復(fù)雜的診斷問題，我們經(jīng)常不是驗(yàn)證“壞的數(shù)據(jù)樣本，我們主要是培育良好的樣本。后面三章是對(duì)2-4層比較詳細(xì)地論述。3 信號(hào)分割我們開發(fā)的信號(hào)分割算法將信號(hào)分區(qū)成不同的車輛形狀的時(shí)間段。我們思索的車輛形狀是怠速形狀、巡航、加速和減速。 TP信號(hào)是進(jìn)展分

15、割的不錯(cuò)選擇，由于它的行為親密關(guān)系到模擬車輛的這四種形狀。TP信號(hào)在發(fā)生信號(hào)上升的期間為加速，出現(xiàn)下降為減速，相對(duì)平坦的TP信號(hào)區(qū)段表示巡航或怠速。從TP車輛的形狀我們可以做一個(gè)很好的評(píng)價(jià)，在任何給定時(shí)間和分割成段表示時(shí)間周期信號(hào)時(shí)，車輛形狀是一致的。第二節(jié)舉了一個(gè)例子，這個(gè)例子采用了典型的TP信號(hào)分割算法。運(yùn)用TP作為引導(dǎo)信號(hào)，我們運(yùn)用自動(dòng)分割的TP信號(hào)與其他從一樣的車輛的記錄信號(hào)一樣，以便標(biāo)志與這些信號(hào)相對(duì)應(yīng)的車輛形狀的各段。轉(zhuǎn)速和點(diǎn)火提早角的信號(hào)覆蓋用TP段,TP段演示了如何映射到其他信號(hào)。這樣問題就變成了如何對(duì)TP信號(hào)進(jìn)展最正確區(qū)分。我們提出了一種基于多分辨率分析MRA，運(yùn)用小波變換系

16、數(shù)的算法，以協(xié)助 找到區(qū)段界限。3.1基于小波變換的多分辨率分析的信號(hào)分割我們的自動(dòng)分割算法基于MRA，運(yùn)用離散小波變換的多尺度隔離功能。最近其中的圖像緊縮本、方式識(shí)別、音處置、信號(hào)檢測(cè)方法、天文和模型估計(jì)已被用于許多其它領(lǐng)域。查找區(qū)段界限是一個(gè)不同的邊緣檢測(cè)的問題。特別是加速和減速形狀分別對(duì)應(yīng)于在TP信號(hào)的上升沿和下降沿。小波函數(shù)是正確選擇，與該小波系數(shù)信號(hào)相關(guān)的值可以被用來識(shí)別這些邊緣。此外，對(duì)小波系數(shù)趨向于隔離的信號(hào)特征如邊緣的規(guī)模使我們可以調(diào)整這些區(qū)段分割，以防止從某些邊緣隨意產(chǎn)生的噪聲，以便非常順利地發(fā)生變化。我們實(shí)施小波變換采用快速小波變換FWT算法。FWT的第一階段以原始信號(hào)是開

17、場(chǎng)，經(jīng)過運(yùn)用該信號(hào)，與小波母函數(shù)的功能有關(guān)的特殊的低頻和高頻經(jīng)過濾波器，我們得到與高頻詳細(xì)信號(hào)和近似系數(shù)對(duì)應(yīng)的信號(hào)和詳細(xì)的小波變換系數(shù)。然后這兩項(xiàng)系數(shù)，經(jīng)過向下采樣反復(fù)上述過程，正如我們的近似系數(shù)的算法。圖3-1時(shí)間-樣本圖如圖3-1所示，TP段的信號(hào)運(yùn)用到轉(zhuǎn)速信號(hào)和點(diǎn)火提早角信號(hào)。逼近系數(shù)同樣標(biāo)志為CA，相應(yīng)的細(xì)節(jié)系數(shù)變大，光盤表示粗糙規(guī)模較大的信號(hào)的詳細(xì)信息。從高頻細(xì)節(jié)可以發(fā)現(xiàn)精細(xì)程度，而低頻細(xì)節(jié)可以發(fā)如今運(yùn)用過程中的詳細(xì)程度。詳細(xì)是什么細(xì)節(jié)系數(shù)表示依賴于主子波函數(shù)。在我們的例子中，我們選擇采用母小波DB1，由于它的細(xì)節(jié)系數(shù)闡明急劇變化的信號(hào)，表示過渡形狀加速振動(dòng)性或減速。詳細(xì)來說，在從F

18、WT獲得細(xì)節(jié)系數(shù)中運(yùn)用DB1能明顯地改動(dòng)對(duì)應(yīng)的波峰和波谷。 3.2分割算法分割主要有我們?cè)谙旅婷璁嫷乃膫€(gè)步驟，這些步驟概略如下：步驟1 創(chuàng)建近似的區(qū)段界限。這一步在一系列的細(xì)節(jié)系數(shù)級(jí)別中選擇小波系數(shù)，放置區(qū)段界限非常接近的正確位置的信號(hào)。我們運(yùn)用遞歸算法，多尺度大段劃分成多個(gè)較小的段進(jìn)展進(jìn)一步的詳細(xì)分析。步驟2 合并一樣的形狀區(qū)段：第1步后，一些相鄰的段能夠具有一樣的形狀，各段銜接在一同。步驟3 微調(diào)區(qū)段界限：這一步是在一個(gè)小鄰域，通常是一個(gè)或兩個(gè)樣本，在各地的分部邊境轉(zhuǎn)移界限以到達(dá)優(yōu)化。此步驟也將刪除明顯太短的恣意穩(wěn)定形狀空閑或巡航形狀。步驟4 再次合并一樣形狀區(qū)段：步驟3中的這一過程能夠會(huì)

19、呵斥相鄰區(qū)段的一樣形狀，所以我們重新運(yùn)轉(zhuǎn)第2步。第一步是運(yùn)用遞歸過程研討日益精細(xì)的詳細(xì)程度信號(hào)。我們發(fā)現(xiàn)，假設(shè)我們忽視了粗級(jí)別系數(shù)，我們將不能確定某種信號(hào)的流暢變化。另一方面，假設(shè)我們忽略了更精細(xì)級(jí)別系數(shù)，我們將錯(cuò)過小的變化。每個(gè)遞歸實(shí)例的算法偏重于表示信號(hào)索引的一個(gè)部分開頭和結(jié)尾，信號(hào)詳細(xì)的小波變換系數(shù)在一個(gè)給定程度。開場(chǎng)時(shí)，該分部的假設(shè)形狀算法也被傳送。算法遍歷在給定詳細(xì)程度的每個(gè)系數(shù)，跟蹤延續(xù)的0序列采用確定產(chǎn)生正值或負(fù)值。這些序列分別代表巡航、減速和加速形狀，運(yùn)用小波母函數(shù)的功能。我們用穩(wěn)定、減速和加速分別代表三種形狀。我們不區(qū)分怠速形狀和巡航形狀，而統(tǒng)稱他們?yōu)榉€(wěn)態(tài)。每次系數(shù)的值在0、

20、正、負(fù)之間改動(dòng)，并且有一個(gè)形狀變化都能找到上一個(gè)形狀的終了點(diǎn)。端點(diǎn)的位置和形狀的一個(gè)段被發(fā)現(xiàn)并運(yùn)用，根據(jù)以下規(guī)那么優(yōu)化端點(diǎn)位置：途徑過渡態(tài)和收縮巡航形狀。這個(gè)規(guī)那么是基于這樣的現(xiàn)實(shí)：TP轉(zhuǎn)換往往表示車輛形狀變化的開場(chǎng)。有一些TP改動(dòng)時(shí)，車輛反響這種變化之間的延遲時(shí)間。在過渡態(tài)終了時(shí)的填充為車輛的反響留下一些時(shí)間。加速和減速形狀和穩(wěn)定形狀的處置略有不同。假設(shè)一個(gè)系數(shù)的值是0，那么添加一個(gè)計(jì)數(shù)器。假設(shè)該數(shù)目被給定限制延續(xù)是0，這一形狀被以為是穩(wěn)態(tài)。這消除了短的巡航區(qū)段，并進(jìn)一步為過渡態(tài)做鋪墊。一旦我們確定一個(gè)形狀開場(chǎng)和終了的界限，遞歸調(diào)用分部程序?qū)⑦M(jìn)展進(jìn)一步必要的細(xì)分。這是必要的由于小波變換在不同

21、規(guī)模不同級(jí)別的細(xì)節(jié)系數(shù)的隔離傾向是不同的。一個(gè)過渡形狀出現(xiàn)一個(gè)高頻系數(shù)，這是不尋常的。更精細(xì)層次系數(shù)的挪動(dòng)保證我們一切車輛的形狀。此外，我們可以更準(zhǔn)確地定位區(qū)段界限。這里是根本的遞推層次的級(jí)別。它闡明我們運(yùn)轉(zhuǎn)的是原始信號(hào)，而不是系數(shù)。在這里，我們簡(jiǎn)單地創(chuàng)建分段。由于我們運(yùn)用深度優(yōu)先遞歸，所以按順序從所述第一信號(hào)樣本中創(chuàng)建最后一個(gè)樣本的各部分。4 特征提取這個(gè)模塊的目的是，從各段分割模塊提取明顯診斷功能。我們定義了一個(gè)功能，它在一個(gè)段內(nèi)的信號(hào)是有用的，并用于描畫某一段上的正?；虍惓Ｐ盘?hào)的一切屬性。對(duì)于車輛診斷工程和信號(hào)處置的實(shí)際知識(shí)，我們發(fā)現(xiàn)它有以下有用功能：1分部形狀?？臻e0，加速度1，2，巡

22、航或減速3。2區(qū)段長(zhǎng)度。普通情況下，在一個(gè)段內(nèi)的信號(hào)特性依賴于該段的長(zhǎng)度。例如，一個(gè)很長(zhǎng)的加速形狀，能夠會(huì)導(dǎo)致在轉(zhuǎn)速比上一個(gè)短而明顯的變化。3最大和最小的信號(hào)。在一個(gè)段內(nèi)的信號(hào)的最大和最小值是有價(jià)值的用于檢測(cè)的邊境條件，如TP低于其閑置的門檻值。每個(gè)信號(hào)具有涉及到各自不同的行為方式的不同的功能集，如信號(hào)依賴、時(shí)間延誤以及常見缺點(diǎn)。選擇運(yùn)用哪些功能在一定程度上是基于汽車工程師的工程知識(shí)和在一定程度上的實(shí)驗(yàn)。首先，我們經(jīng)過專家檢查信號(hào)的典型行為描畫特定功能的信號(hào)、信號(hào)的依賴、典型缺點(diǎn)案例的意義。從這個(gè)專家信息中，我們創(chuàng)建了一個(gè)特征向量，從上面列出的一組能夠的功能中，我們以為最好的捕捉信息由汽車專家

23、解釋。最后，我們進(jìn)展實(shí)驗(yàn)，運(yùn)用功能和數(shù)據(jù)的一致性突出常見缺點(diǎn)分析的才干。假設(shè)有必要，我們將根據(jù)實(shí)驗(yàn)結(jié)果或其他專家信息，繼續(xù)修正特征向量，直到獲得令人稱心的結(jié)果95-100識(shí)別壞分部。5 采用模糊邏輯的信號(hào)缺點(diǎn)診斷模糊邏輯實(shí)際的目的是處置信號(hào)源的不確定、不準(zhǔn)確和不完好。模糊系統(tǒng)已勝利運(yùn)用在許多領(lǐng)域，包括證券買賣所。控制實(shí)際、控制系統(tǒng)以及業(yè)務(wù)漸進(jìn)的調(diào)整是必要的。模糊規(guī)那么和模糊集之間的關(guān)系提供了強(qiáng)大的增量建模的系統(tǒng)，其復(fù)雜性使得傳統(tǒng)的專家系統(tǒng)，數(shù)學(xué)模型、統(tǒng)計(jì)方法非常困難。信號(hào)診斷問題中最具挑戰(zhàn)性的是，現(xiàn)代汽車的復(fù)雜性讓大多數(shù)信號(hào)缺點(diǎn)的知識(shí)是不完好和模糊的。這種不確定性迫使我們，采用模糊診斷方法找到

24、一個(gè)處理方案。在本文中，我們提出了一個(gè)能從數(shù)據(jù)或工程專家自動(dòng)學(xué)習(xí)新知識(shí)的模糊的智能系統(tǒng)。前面我們給出了一個(gè)模糊智能系統(tǒng)的概述。圖5-1表示的是模糊學(xué)習(xí)組件和模糊推理成分。訓(xùn)練數(shù)據(jù)模糊規(guī)那么和成員特征言語(yǔ)模糊輸出工程輸出數(shù)據(jù)輸入口優(yōu)化功能訓(xùn)練數(shù)據(jù)模糊規(guī)那么和成員特征言語(yǔ)模糊輸出工程輸出數(shù)據(jù)輸入口優(yōu)化功能模糊規(guī)那么發(fā)生器測(cè)試數(shù)據(jù)數(shù)據(jù)輸入口數(shù)據(jù)輸出口模糊規(guī)那么成員功能模糊端發(fā)動(dòng)機(jī)缺點(diǎn)圖5-1模糊推理過程圖模糊推理成分有對(duì)信號(hào)段運(yùn)用信號(hào)診斷知識(shí)的才干，并得出診斷結(jié)果。研討的最具挑戰(zhàn)性的部分是產(chǎn)生一個(gè)有效的知識(shí)的根底。6 實(shí)施和實(shí)驗(yàn)前面各節(jié)中所描畫的算法被整合到一個(gè)單一的系統(tǒng)即高級(jí)診斷信號(hào)分析系統(tǒng)ADS

25、AS，在運(yùn)用本系統(tǒng)時(shí)已進(jìn)展了大量的實(shí)驗(yàn)。第六節(jié)引見的功能ADSAS描畫了車輛信號(hào)診斷的兩個(gè)實(shí)驗(yàn)。6.1先進(jìn)的信號(hào)診斷分析系統(tǒng)ADSAS是一個(gè)車輛診斷和學(xué)習(xí)的智能系統(tǒng)。該系統(tǒng)的實(shí)施運(yùn)用Win32 API的兼容Windows 95/98/NT。該系統(tǒng)有兩個(gè)目的。首先，它提供了一個(gè)強(qiáng)大而靈敏的測(cè)試平臺(tái)，我們可以進(jìn)展實(shí)驗(yàn)研討。第二，它是一個(gè)很大的系統(tǒng)，可以用于車輛診斷，是各大汽車公司的工程師和技術(shù)人員的一個(gè)根本器具。我們目前系統(tǒng)的截圖是一個(gè)通用系統(tǒng)的主要窗口截圖，顯示了一個(gè)包含小波變換系數(shù)的信號(hào)。6.2實(shí)驗(yàn)結(jié)果在本節(jié)中，我們描畫了運(yùn)用ADSAS的兩組進(jìn)展了多個(gè)信號(hào)的診斷實(shí)驗(yàn)。 ADSAS的義務(wù)是由上述

26、第五節(jié)所述的模糊智能系統(tǒng)根據(jù)學(xué)到的知識(shí)標(biāo)志一切異常的信號(hào)段。第一組信號(hào)診斷實(shí)驗(yàn)的目的是TP信號(hào)缺點(diǎn)檢測(cè)，運(yùn)用TP和封鎖節(jié)氣門位置油門TPCT信號(hào)。第二組實(shí)驗(yàn)中涉及檢測(cè)RPM的妨礙，運(yùn)用RPM與TP。在這個(gè)實(shí)驗(yàn)中，我們只需一個(gè)未知變量，這個(gè)變量它代表一個(gè)段的缺點(diǎn)形狀。 GOOD較低的值表示正常的段，而差的值高值或UNKNOWN指示異常段。我們產(chǎn)生一個(gè)游泳池上面顯示的信號(hào)和11個(gè)異常節(jié)段的正常部分。測(cè)試結(jié)果的解釋如下：1實(shí)驗(yàn)編號(hào)2在訓(xùn)練集的數(shù)據(jù)3訓(xùn)練數(shù)據(jù)的分類錯(cuò)誤數(shù)4產(chǎn)生的模糊規(guī)那么數(shù)5測(cè)試集合中的數(shù)據(jù)數(shù)量6正常段中的測(cè)試集的編號(hào)7異常在測(cè)試集的異常8誤報(bào)數(shù)好標(biāo)志為壞9點(diǎn)火缺點(diǎn)壞標(biāo)志為好在訓(xùn)練和測(cè)

27、試集，ADSAS正確標(biāo)志一切壞的分部，并沒有產(chǎn)生任何誤報(bào)。第二組實(shí)驗(yàn)中，我們包括四個(gè)車輛形狀的段。顯示的是模糊變量和它們的相關(guān)聯(lián)的一些模糊的條款留意，只需模糊的數(shù)量不同于第一組實(shí)驗(yàn)。如前所示，運(yùn)用一樣的格式。在實(shí)驗(yàn)3中，我們有一個(gè)訓(xùn)練集，133例正常段。兩個(gè)這樣錯(cuò)誤分類的模糊系統(tǒng)由于少量的數(shù)據(jù)的不一致性，導(dǎo)致兩個(gè)系統(tǒng)之間產(chǎn)生了信號(hào)規(guī)那么沖突。我們對(duì)一個(gè)產(chǎn)生77個(gè)模糊規(guī)那么的模糊智能系統(tǒng)進(jìn)展了測(cè)試，它檢測(cè)到了它的29段和16段異常，它沒有產(chǎn)生任何誤報(bào)。然而，它喪失了五個(gè)壞部分。在實(shí)驗(yàn)4中，我們有一個(gè)訓(xùn)練集，129例正常段。只需一個(gè)訓(xùn)練數(shù)據(jù)被錯(cuò)誤分類而與規(guī)那么沖突。對(duì)產(chǎn)生63個(gè)模糊規(guī)那么的模糊智能

28、系統(tǒng)進(jìn)展了測(cè)試，它正確地檢測(cè)到一切異常節(jié)段，并標(biāo)明只需六個(gè)部分異常。在一切實(shí)驗(yàn)中，我們只需三個(gè)錯(cuò)誤分類的訓(xùn)練數(shù)據(jù)。缺火的數(shù)目是零，在實(shí)驗(yàn)1-3和實(shí)驗(yàn)4中，這是可以接受的。在實(shí)驗(yàn)1，2，4，系統(tǒng)檢測(cè)到一切異常節(jié)段，這是在工程診斷方面優(yōu)良的成果。第二組信號(hào)診斷實(shí)驗(yàn)運(yùn)用RPM和TP檢測(cè)缺點(diǎn)：RPM運(yùn)用TP作為參考信號(hào)。結(jié)果是下面這些實(shí)驗(yàn)中的一個(gè)。 TP和RPM的典型行為，在前面描畫過了，這里將不再反復(fù)。在訓(xùn)練和測(cè)試集，ADSAS正確標(biāo)志了一切壞的分部，并沒有產(chǎn)生任何誤報(bào)。第二組實(shí)驗(yàn)中，我們包括段從四個(gè)車輛形狀。表III顯示的模糊變量和它們的相關(guān)聯(lián)的一些模糊的條款留意，只需模糊的數(shù)量不同于第一組實(shí)驗(yàn)。

29、如前所示，運(yùn)用一樣的格式。在實(shí)驗(yàn)3中，我們有一個(gè)訓(xùn)練集合，133例正常段。兩個(gè)這樣的錯(cuò)誤分類的模糊系統(tǒng)表示一些規(guī)那么的沖突，由于少量的數(shù)據(jù)的不一致性。產(chǎn)生77個(gè)模糊規(guī)那么的模糊智能系統(tǒng)。當(dāng)系統(tǒng)進(jìn)展了測(cè)試運(yùn)用29段和16段異常，它產(chǎn)生任何誤報(bào)。然而，它錯(cuò)過了五個(gè)壞分部。在實(shí)驗(yàn)4中，我們有一個(gè)訓(xùn)練集，129例正常段。只需一個(gè)訓(xùn)練數(shù)據(jù)被錯(cuò)誤分類的規(guī)那么沖突。產(chǎn)生63個(gè)模糊規(guī)那么的模糊智能系統(tǒng)。當(dāng)系統(tǒng)進(jìn)展了測(cè)試，正常運(yùn)用49段和7個(gè)異常節(jié)段，它正確地檢測(cè)到異常節(jié)段，并標(biāo)明只需六個(gè)分部正常異常。在一切實(shí)驗(yàn)中，我們只需三個(gè)錯(cuò)誤分類的訓(xùn)練數(shù)據(jù)。點(diǎn)火缺點(diǎn)的數(shù)目是零，測(cè)試組，在實(shí)驗(yàn)1-3和6在實(shí)驗(yàn)4中，這是可以

30、接受的。在實(shí)驗(yàn)1，2，4，系統(tǒng)檢測(cè)一切異常節(jié)段，這是在工程診斷優(yōu)良的成果。第二組信號(hào)診斷實(shí)驗(yàn)進(jìn)展檢測(cè)絆腳石運(yùn)用RPM和TP：RPM的運(yùn)用TP作為參考信號(hào)。結(jié)果示于下面這些實(shí)驗(yàn)中的一個(gè)。TP和RPM的典型行為，在前面已進(jìn)展了描畫，這里將不再反復(fù)。在訓(xùn)練系列中不存在錯(cuò)誤分類，這里有8個(gè)錯(cuò)誤提示，其中大約一半是我們?cè)谵D(zhuǎn)速信號(hào)追蹤齒輪換擋方式時(shí)產(chǎn)生的，卻不代表培訓(xùn)系列。我們僅有一缸缺火正常標(biāo)志為異常。7 結(jié)論在本文中，我們用小波變換和機(jī)器學(xué)習(xí)描畫了一個(gè)智能系統(tǒng)ADSAS，處理了現(xiàn)實(shí)世界中的汽車發(fā)動(dòng)機(jī)診斷問題。對(duì)異常信號(hào)區(qū)段95-100正確的區(qū)分率這一實(shí)驗(yàn)結(jié)果，它是令人鼓舞的成果。在某些情況下，正常段通

31、常是遭到其他系統(tǒng)要素的影響，如齒輪的變化，被標(biāo)志為異常假警報(bào)，并沒有完全被表示在訓(xùn)練數(shù)據(jù)中。ADSAS是一個(gè)強(qiáng)有力的信號(hào)診斷工具。它可以開展系統(tǒng)主要功能，包括信號(hào)展現(xiàn)，分割，特征提取，學(xué)習(xí)測(cè)試幾方面。雖然我們只運(yùn)用信號(hào)對(duì)TP，TPCTTP，RPM展現(xiàn)結(jié)果，但我們的系統(tǒng)框架是可以毫無困難地?cái)U(kuò)展到更大的信號(hào)組。除了其診斷才干，ADSAS還是一個(gè)實(shí)驗(yàn)不同窗習(xí)方法，選擇診斷特性等的良好的實(shí)驗(yàn)研討平臺(tái)。8 贊賞作者衷心地贊賞阿爾-米爾斯和斯菈蒂齊先生，贊賞他們?cè)诟Ｌ仄嚬靖呒?jí)汽車缺點(diǎn)診斷與設(shè)計(jì)部中對(duì)他們工程的大力支持。PAGE 13PAGE 13Automotive Signal Diagnostic

32、s Using Wavelets and Machine LearningHong Guo, Member, IEEE, Jacob A. Crossman, Member, IEEE, Yi Lu Murphey, Senior Member, IEEE, and Mark ColemanAbstractIn this paper, we describe an intelligent signal analysis system employing the wavelet transformation in the solution of vehicle engine diagnosis

33、problems. Vehicle engine diagnosis often involves multiple signal analysis. The developed system first partitions a leading signal into small segments representing physical events or states based on wavelet multi-resolution analysis. Second, by applying the segmentation result of the leading signal

34、to the other signals, the detailed properties of each segment, including inter-signal relationships, are extracted to form a feature vector. Finally, a fuzzy intelligent system is used to learn diagnostic features from a training set containing feature vectors extracted from signal segments at vario

35、us vehicle states. The fuzzy system applies its diagnostic knowledge to classify signals as abnormal or normal. The implementation of the system is described and experiment results are presentedI. INTRODUCTIONTODAYS vehicles are becoming more and more complex with increased reliability on electronic

36、s and on-board computers. As a result, fault diagnosis on these vehicles has become increasingly challenging with a greater number of parts and controllers interacting in a large number of complex and, sometimes, poorly understood ways. Correspondingly, the job of vehicle diagnosis has become more d

37、ifficult, especially for nonroutine faults. Often, technicians cannot even pinpoint the root cause of a difficult fault and find themselves replacing parts in the hope that the given part is the source of the problem. This “throwing parts at the vehicle approach increases car manufacturer warranty c

38、osts and leads to dissatisfied customers. Therefore, car manufacturers are finding it necessary to develop a new breed of electronic diagnostic technology that can help lead quickly to the root cause of a vehicle fault.During the 1980s, the rapid introduction of electronic engine management techniqu

39、es greatly improved the performance of the vehicle engine, while, conversely, making engine diagnosis the most difficult part of vehicle diagnosis. Vehicle diagnosis tools and techniques can be divided into three classes 7:1) On-board diagnostic software and self test routines. An Electronic Control

40、 Units (ECU) software may incorporate self-test routines that can store the fault code when a fault is detected.2) On-board diagnostic data accessed using an off-board diagnostic tool. When a vehicle is inspected, a scanner or a scan tool can be connected to the diagnostic terminal of the on-board c

41、omputer. These tools can either simply collect fault codes from the ECU self test, or they can record continuous signal outputs from the on-board vehicle sensors during driving.3) Off-board diagnostic stations. These tools combine data downloaded from the vehicle ECU and sensors with off-board diagn

42、ostic sensors more sophisticated than are available on the vehicle. Again, the technician is left with the full responsibility of interpreting the dataThere are several limitations to on-board diagnostics. First, on-board software must be integrated with vehicle specific hardware, which means differ

43、ent vehicles cannot share the same software or diagnostic methods. Second, the error codes provided by the on-board software do not provide enough details regarding the fault to allow diagnosis. Third, the knowledge stored in the system is fixed unless the manufacturer updates it with costly replace

44、ments. Finally, because of the limited computing resources of a vehicle (slow processor and less information storage space), its difficult to do much more than limit checking type diagnostics. Advanced signal analysis techniques such as signal transformations or machine learning techniques are not a

45、vailable. With the rapid development of the CPU and signal processing, off-board diagnostic techniques are more promising than on-board diagnostics. Standards are in place (ISO 9141) for the data link from the on-board computer to the off-board unit, so data can be collected from the ECU and analyze

46、d off-line by powerful computers. Unfortunately, at this time, diagnostic techniques lag far behind data collection techniques.Vehicle diagnosis techniques can be divided into two classes: model-based and model-free. Model-based techniques employ mathematical models of the dynamics of the vehicle co

47、mponents to analyze the behavior of vehicle systems 2, 10, 12. While these models may useful for examining simplified versions of each of the engine components, we do not have accurate models for a real vehicle with many interactive components. Model-free systems are knowledge-based, incorporating p

48、rofessional knowledge from engineers without exact information regarding the details of system dynamics. The rationale behind this approach is that many experienced technicians can find faults even though they do not have extensive knowledge of the mechanical or electrical dynamics of the vehicle. E

49、xamples of such system include Strategy Engine (HP), TestBench (Carnegie Group), IDEA (Fiat Fig.1. In multiple signal systems, changes in one signal generally result in changes in one or more other signals. In (a) signal B is the smoothed version of signal A, a simple relationship. In (b) each edge

50、is indicating the feature the signal at the tail end is causing in the signal at the head end. Notice that each signal effects and is effected by multiple different signals.In this paper, we describe an off-board and model-free diagnostic system for identifying faulty vehicle behavior through analys

51、is of ECU signals. The signals discussed here come from the Power train Control Module (PCM) of the ECU, however, the methods developed are sufficiently general to allow for use in other multi-signal fault diagnosis problems.In a tightly coupled system such as a vehicle power train, inputs and outpu

52、ts from every component effect most of the other components of the system. For example, the driver pressing the throttle causes an increase in the airflow to the engine. The PCM changes the control strategy modifying fuel delivery and spark timing. Increased fuel and air increases RPM, which, in tur

53、n, dramatically changes the behavior of the transmission and other components such as alternator output. Furthermore, there are feedback loops in the system. The on-board controller monitors output exhaust quality, gear changes and airflow changes further modifying system behavior to keep performanc

54、e at a maximum and exhaust pollution at a minimum. Outside factors such as road quality, road gradient, vehicle weight, active accessories, etc. provide physical feedback to the system further altering behavior. In our system, we capture these physical events and dependencies through the power train

55、 signals. For example, Fig. 1(a) demonstrates a simplification of the relationship between the throttle position (TP) and revolution per minute (RPM) signals. TP makes a sudden rise and fall while RPM mimics this behavior but more smoothly. This simplification is not completely accurate but demonstr

56、ates the key point that important physical relationships can be seen through the vehicle signals. Fig. 1(b) shows a more typical set of relationships between four different signals. Each circle is a signal and each edge indicates a feature that the tail signal influences in the head signal. These re

57、lationships are often complex, include five to ten different important signals, and have many cyclic dependencies between signals. We note several important issues related to using signals to diagnose a vehicle. First, we must differentiate between a bad signal and bad vehicle behavior reflected in

58、the signal. A bad signal is generally caused by a bad PCM or a bad sensor. Bad vehicle behavior can be caused by any of a number of factors, physical or electronic. Our system detects signal features that indicate bad vehicle behavior, whether it is caused by bad electronic parts or physical faults.

59、 Second, we note that not all of the physical dependencies present in the actual vehicle can be modeled with corresponding signals. For instance, there is no signal to indicate road bumpiness, a physical factor that can effect vehicle and, therefore, signal behavior. To handle these unknown conditio

60、ns we train with vehicle data in several conditions while avoiding extreme driving conditions (e.g., off-road racing). Finally, the same signals are not available from all vehicles. When considering behavior that depends on signal relationships, this can lead to an inability diagnose certain faults