基于波形分析的汽車電控系統(tǒng)故障診斷技術(shù)(文獻翻譯)

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

2、征向量。最后，模糊智能系統(tǒng)向一個包含從各種車輛形狀的信號段中，提取特征向量及訓練集合學習診斷特性。模糊系統(tǒng)按其診斷實際，把信號按照異?；蛘＿M展分類。在本文中，該系統(tǒng)的實施被描畫了出來，并且實驗結(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，當今汽車變得越來越復雜。其結(jié)果是，這些車輛的缺點診斷隨著零部件和控制器之間的相互作用越來越復雜，變得越來越具有挑戰(zhàn)性，并且有時是以人們不了解的方式出現(xiàn)。相應(yīng)地，汽車缺點診斷特別是非常規(guī)缺點任務(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，并會導致顧客不稱心。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 人們迅速找到導致車輛缺點的根本緣由。在20世紀80年代，發(fā)動機電子控制技術(shù)的快速引進，使汽車發(fā)動機的性能大大提高。另一方面，這樣也使發(fā)動機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，在檢測到缺點時可以存儲缺點代碼。2運用板外的診斷工具。當檢查車輛獲取診斷數(shù)據(jù)時，掃描儀或掃描工具可以銜接到主板上的電腦診斷終端。這些工具可以簡單地搜集缺點碼供ECU自檢，也可以記錄從主板上的車輛傳感器驅(qū)動時的延續(xù)輸出信號。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用的復雜傳感器。同樣，這項技術(shù)剩下的全部義務(wù)是解釋數(shù)據(jù)。車載診斷有幾個限制。首先，軟件必需結(jié)合車輛詳細的硬件，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，所提供的錯誤代碼的主板上的軟件不，能提供足夠的細節(jié)允許進展缺點診斷。第三，知識存儲在系統(tǒng)中是固定的，除非制造商更新它昂貴的配件。最后，由于在車輛上計算資源是有限的較慢的處置器，較少的信息的存儲空間，這是很難做到的僅僅去限制檢查診斷類型。先進的信號分析技術(shù)，如信號轉(zhuǎn)換或機器學習技術(shù)是不能運用的。隨著CPU和信號處置的快速開展，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)過功能強大的計算機進展離線分析。不幸的是，在這個時候，診斷技術(shù)遠遠落后于數(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)。基于模型的技術(shù)，采用車輛部件的動態(tài)數(shù)學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)動機部件的簡單構(gòu)造，我們帶有互動性元件實車沒有不準確的模型。無模型系統(tǒng)以知識為根底，結(jié)合工程師的專業(yè)知識沒有關(guān)于系統(tǒng)動力學細節(jié)確實切信息。這種方法被采用的理由是：即使在汽車機械和電氣動態(tài)方面不具有廣泛的知識，許多有閱歷的技術(shù)人員依然可以找到缺點。該系統(tǒng)的例子包括

6、戰(zhàn)略引擎HP，測試平臺卡內(nèi)基組，IDEA菲亞特研討中心和MDS戴姆勒 - 飛馳研討。信號A 信號B信號信號A信號D信號B信號C圖1-1 信號改動圖在本文中，我們描畫了一個經(jīng)過ECU信號分析診斷系統(tǒng)、運用離板和無模型確定缺點車輛的情況。然而這里討論的動力總成控制模塊PCM的信號開發(fā)的方法，這個信號系統(tǒng)足夠被用來其他多種信號缺點診斷問題。緊耦合的系統(tǒng)，如汽車動力總成，每個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)動程序按節(jié)流會導致發(fā)動機的氣流添加。該PCM改動控制戰(zhàn)略，修正供油和火花時序。添加進氣量和供油量，提高轉(zhuǎn)速可以顯著地改動傳輸?shù)冉M件的輸出，如交流發(fā)電機輸出。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，進一步修正系統(tǒng)的運轉(zhuǎn)情況，以堅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、自動配件等提供物理反響系統(tǒng)進一步改動運轉(zhuǎn)形狀。在我們的系統(tǒng)中，我們依賴動力系統(tǒng)的信號獲得到這些物理事件。例如，圖1-1展現(xiàn)了一個簡化的節(jié)氣門位置TP和每分鐘轉(zhuǎn)數(shù)RPM信號之間的關(guān)系。TP忽然上升和下降，而RPM模擬這種行為，但更順暢。這種簡化是不完全準確的，但經(jīng)過車輛信號演示的關(guān)鍵點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不同的信號之間的關(guān)系。每個圓圈是一個信號，每條邊那么表示一個功能，結(jié)尾尾信號影響頭部信號。這些關(guān)

8、系往往是復雜的，包括五到十個不同的重要信號，并且有許多信號之間存在一定的循環(huán)。我們留意到運用的信號對車輛進展診斷相關(guān)的幾個重要問題。首先，我們必需區(qū)分信號好壞和運轉(zhuǎn)不良的車輛情況。一個壞的信號普通是因一個壞的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械方面的要素呵斥的。無論它是電子零件壞了還是機械缺點，我們系統(tǒng)檢測到的信號指出不良車輛的情況。其次，我們留意到，并非一切的相應(yīng)的信號都可以模擬，它與實踐車輛存在物理的依賴關(guān)系。例如，沒有任何的信號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，我們培育了幾個條件，同時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。當思索的車輛要素依賴于信號的關(guān)系時，會呵斥不能喪失的信號信息，否那么依賴于這些信息某些缺點無法進展診斷。在本文中，我們偏重于開發(fā)分解多個信號、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，我們簡單引見診斷系統(tǒng)。在第三節(jié)，引見自動分割算法，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)成適宜輸入到機器學習系統(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器學習系統(tǒng)來學習好的和壞的信號特性。第六節(jié)描畫實施診斷系統(tǒng)，我們曾經(jīng)獲得了令人鼓舞的實驗結(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)概述我們曾經(jīng)開發(fā)出的系統(tǒng)是一個多層次的診斷系統(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)中有更詳細討論。第一層和第五層在這里我們僅僅做下簡要地討論。第一層的數(shù)據(jù)轉(zhuǎn)換成適宜的格式進展處置。這一層是比較簡單的，并不再做進一步的討論。第二層的自動分區(qū)的信號，轉(zhuǎn)換成可以運用小波特征的另一個信號。圖2-2顯示了運用已被分割的該模塊的TP信號。這些分部有三個目的。首先，他們把信號轉(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，分割導致的信號數(shù)據(jù)的一個自然的聚類。在一個給定段的信號特性通常是與其他段一樣的形狀非常類似的行為。這導致了更為一致的訓練和測試數(shù)據(jù)。第三，我們可以采用各段信號隔離缺點位置，這能夠會導致識別缺點更容易。最后，對原始信號作為一個整體進展分割，這將導致大量的多余的數(shù)據(jù)一塊進展分析，從而在一個非常復雜的特征向量的信號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系統(tǒng)提供的數(shù)據(jù)的重要細節(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超級功能載體構(gòu)建成TP區(qū)段TP信號轉(zhuǎn)換信號轉(zhuǎn)換區(qū)段TP特征轉(zhuǎn)換特征點火提早角信號點火提早角區(qū)段點

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時間-樣本圖如圖2-2所示為分割TP信號的例子。線段在ADSAS上升表示開場加速，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特征向量的機器學習系統(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中的“噪音、段內(nèi)的變化率或運動方式。為了提取信息，我們以一個緊湊的方式運用先進的信號處置技術(shù)，包括統(tǒng)計數(shù)據(jù)信號本身相關(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)計數(shù)據(jù)中看出，每個信號的數(shù)據(jù)元素最能代表給定信號的功能。最后，我們用

13、這個數(shù)據(jù)組成特征向量。第四層引入系統(tǒng)中的時間和信號依賴的概念。在這一層中，我們選擇一個主信號進展分析，并選擇一組有一定的因果關(guān)系與給定主信號的參考信號。然后，我們結(jié)合我們的主信號的功能從基準信號選擇功能，以構(gòu)成一個“超級特征向量。這種超級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)建了一個包含RPM的功能的超級特征向量RPM。隨著TP信號的形狀加速，減速，穩(wěn)定巡航，空閑形狀等，一個機器學習系統(tǒng)可以運用此信息來區(qū)分轉(zhuǎn)速信號、T

14、P和那些不正常的反響。第五層和最后一層包括機器學習系統(tǒng)。本機器學習系統(tǒng)同時接受關(guān)于如何從一個不同的信號經(jīng)過單獨每個信號類型的知識庫識別缺點，在目前，我們運用一個模糊學習系統(tǒng)，但該層可以推行到神經(jīng)網(wǎng)絡(luò)或其他適宜的機器學習系統(tǒng)。第4層將產(chǎn)生的超向量送入系統(tǒng)進展訓練學習。在這段時間內(nèi)進展培訓和監(jiān)視，所以我們提供了一個目的輸出系統(tǒng)嘗試匹配。我們留意到，面對許多復雜的診斷問題，我們經(jīng)常不是驗證“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2-4層比較詳細地論述。3 信號分割我們開發(fā)的信號分割算法將信號分區(qū)成不同的車輛形狀的時間段。我們思索的車輛形狀是怠速形狀、巡航、加速和減速。 TP信號是進展分

15、割的不錯選擇，由于它的行為親密關(guān)系到模擬車輛的這四種形狀。TP信號在發(fā)生信號上升的期間為加速，出現(xiàn)下降為減速，相對平坦的TP信號區(qū)段表示巡航或怠速。從TP車輛的形狀我們可以做一個很好的評價，在任何給定時間和分割成段表示時間周期信號時，車輛形狀是一致的。第二節(jié)舉了一個例子，這個例子采用了典型的TP信號分割算法。運用TP作為引導信號，我們運用自動分割的TP信號與其他從一樣的車輛的記錄信號一樣，以便標志與這些信號相對應(yīng)的車輛形狀的各段。轉(zhuǎn)速和點火提早角的信號覆蓋用TP段,TP段演示了如何映射到其他信號。這樣問題就變成了如何對TP信號進展最正確區(qū)分。我們提出了一種基于多分辨率分析MRA，運用小波變換系

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分割我們的自動分割算法基于MRA，運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、方式識別、音處置、信號檢測方法、天文和模型估計已被用于許多其它領(lǐng)域。查找區(qū)段界限是一個不同的邊緣檢測的問題。特別是加速和減速形狀分別對應(yīng)于在TP信號的上升沿和下降沿。小波函數(shù)是正確選擇，與該小波系數(shù)信號相關(guān)的值可以被用來識別這些邊緣。此外，對小波系數(shù)趨向于隔離的信號特征如邊緣的規(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是開

17、場，經(jīng)過運用該信號，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信號和近似系數(shù)對應(yīng)的信號和詳細的小波變換系數(shù)。然后這兩項系數(shù)，經(jīng)過向下采樣反復上述過程，正如我們的近似系數(shù)的算法。圖3-1時間-樣本圖如圖3-1所示，TP段的信號運用到轉(zhuǎn)速信號和點火提早角信號。逼近系數(shù)同樣標志為CA，相應(yīng)的細節(jié)系數(shù)變大，光盤表示粗糙規(guī)模較大的信號的詳細信息。從高頻細節(jié)可以發(fā)現(xiàn)精細程度，而低頻細節(jié)可以發(fā)如今運用過程中的詳細程度。詳細是什么細節(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，由于它的細節(jié)系數(shù)闡明急劇變化的信號，表示過渡形狀加速振動性或減速。詳細來說，在從F

18、WT獲得細節(jié)系數(shù)中運用DB1能明顯地改動對應(yīng)的波峰和波谷。 3.2分割算法分割主要有我們在下面描畫的四個步驟，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節(jié)系數(shù)級別中選擇小波系數(shù)，放置區(qū)段界限非常接近的正確位置的信號。我們運用遞歸算法，多尺度大段劃分成多個較小的段進展進一步的詳細分析。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：這一步是在一個小鄰域，通常是一個或兩個樣本，在各地的分部邊境轉(zhuǎn)移界限以到達優(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

19、呵斥相鄰區(qū)段的一樣形狀，所以我們重新運轉(zhuǎn)第2步。第一步是運用遞歸過程研討日益精細的詳細程度信號。我們發(fā)現(xiàn)，假設(shè)我們忽視了粗級別系數(shù)，我們將不能確定某種信號的流暢變化。另一方面，假設(shè)我們忽略了更精細級別系數(shù)，我們將錯過小的變化。每個遞歸實例的算法偏重于表示信號索引的一個部分開頭和結(jié)尾，信號詳細的小波變換系數(shù)在一個給定程度。開場時，該分部的假設(shè)形狀算法也被傳送。算法遍歷在給定詳細程度的每個系數(shù)，跟蹤延續(xù)的0序列采用確定產(chǎn)生正值或負值。這些序列分別代表巡航、減速和加速形狀，運用小波母函數(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、負之間改動，并且有一個形狀變化都能找到上一個形狀的終了點。端點的位置和形狀的一個段被發(fā)現(xiàn)并運用，根據(jù)以下規(guī)那么優(yōu)化端點位置：途徑過渡態(tài)和收縮巡航形狀。這個規(guī)那么是基于這樣的現(xiàn)實：TP轉(zhuǎn)換往往表示車輛形狀變化的開場。有一些TP改動時，車輛反響這種變化之間的延遲時間。在過渡態(tài)終了時的填充為車輛的反響留下一些時間。加速和減速形狀和穩(wěn)定形狀的處置略有不同。假設(shè)一個系數(shù)的值是0，那么添加一個計數(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，并進一步為過渡態(tài)做鋪墊。一旦我們確定一個形狀開場和終了的界限，遞歸調(diào)用分部程序?qū)⑦M展進一步必要的細分。這是必要的由于小波變換在不同

21、規(guī)模不同級別的細節(jié)系數(shù)的隔離傾向是不同的。一個過渡形狀出現(xiàn)一個高頻系數(shù)，這是不尋常的。更精細層次系數(shù)的挪動保證我們一切車輛的形狀。此外，我們可以更準確地定位區(qū)段界限。這里是根本的遞推層次的級別。它闡明我們運轉(zhuǎn)的是原始信號，而不是系數(shù)。在這里，我們簡單地創(chuàng)建分段。由于我們運用深度優(yōu)先遞歸，所以按順序從所述第一信號樣本中創(chuàng)建最后一個樣本的各部分。4 特征提取這個模塊的目的是，從各段分割模塊提取明顯診斷功能。我們定義了一個功能，它在一個段內(nèi)的信號是有用的，并用于描畫某一段上的正常或異常信號的一切屬性。對于車輛診斷工程和信號處置的實際知識，我們發(fā)現(xiàn)它有以下有用功能：1分部形狀。空閑0，加速度1，2，巡

22、航或減速3。2區(qū)段長度。普通情況下，在一個段內(nèi)的信號特性依賴于該段的長度。例如，一個很長的加速形狀，能夠會導致在轉(zhuǎn)速比上一個短而明顯的變化。3最大和最小的信號。在一個段內(nèi)的信號的最大和最小值是有價值的用于檢測的邊境條件，如TP低于其閑置的門檻值。每個信號具有涉及到各自不同的行為方式的不同的功能集，如信號依賴、時間延誤以及常見缺點。選擇運用哪些功能在一定程度上是基于汽車工程師的工程知識和在一定程度上的實驗。首先，我們經(jīng)過專家檢查信號的典型行為描畫特定功能的信號、信號的依賴、典型缺點案例的意義。從這個專家信息中，我們創(chuàng)建了一個特征向量，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，我們進展實驗，運用功能和數(shù)據(jù)的一致性突出常見缺點分析的才干。假設(shè)有必要，我們將根據(jù)實驗結(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識別壞分部。5 采用模糊邏輯的信號缺點診斷模糊邏輯實際的目的是處置信號源的不確定、不準確和不完好。模糊系統(tǒng)已勝利運用在許多領(lǐng)域，包括證券買賣所。控制實際、控制系統(tǒng)以及業(yè)務(wù)漸進的調(diào)整是必要的。模糊規(guī)那么和模糊集之間的關(guān)系提供了強大的增量建模的系統(tǒng)，其復雜性使得傳統(tǒng)的專家系統(tǒng)，數(shù)學模型、統(tǒng)計方法非常困難。信號診斷問題中最具挑戰(zhàn)性的是，現(xiàn)代汽車的復雜性讓大多數(shù)信號缺點的知識是不完好和模糊的。這種不確定性迫使我們，采用模糊診斷方法找到

24、一個處理方案。在本文中，我們提出了一個能從數(shù)據(jù)或工程專家自動學習新知識的模糊的智能系統(tǒng)。前面我們給出了一個模糊智能系統(tǒng)的概述。圖5-1表示的是模糊學習組件和模糊推理成分。訓練數(shù)據(jù)模糊規(guī)那么和成員特征言語模糊輸出工程輸出數(shù)據(jù)輸入口優(yōu)化功能訓練數(shù)據(jù)模糊規(guī)那么和成員特征言語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)動機缺點圖5-1模糊推理過程圖模糊推理成分有對信號段運用信號診斷知識的才干，并得出診斷結(jié)果。研討的最具挑戰(zhàn)性的部分是產(chǎn)生一個有效的知識的根底。6 實施和實驗前面各節(jié)中所描畫的算法被整合到一個單一的系統(tǒng)即高級診斷信號分析系統(tǒng)ADS

25、AS，在運用本系統(tǒng)時已進展了大量的實驗。第六節(jié)引見的功能ADSAS描畫了車輛信號診斷的兩個實驗。6.1先進的信號診斷分析系統(tǒng)ADSAS是一個車輛診斷和學習的智能系統(tǒng)。該系統(tǒng)的實施運用Win32 API的兼容Windows 95/98/NT。該系統(tǒng)有兩個目的。首先，它提供了一個強大而靈敏的測試平臺，我們可以進展實驗研討。第二，它是一個很大的系統(tǒng)，可以用于車輛診斷，是各大汽車公司的工程師和技術(shù)人員的一個根本器具。我們目前系統(tǒng)的截圖是一個通用系統(tǒng)的主要窗口截圖，顯示了一個包含小波變換系數(shù)的信號。6.2實驗結(jié)果在本節(jié)中，我們描畫了運用ADSAS的兩組進展了多個信號的診斷實驗。 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)學到的知識標志一切異常的信號段。第一組信號診斷實驗的目的是TP信號缺點檢測，運用TP和封鎖節(jié)氣門位置油門TPCT信號。第二組實驗中涉及檢測RPM的妨礙，運用RPM與TP。在這個實驗中，我們只需一個未知變量，這個變量它代表一個段的缺點形狀。 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)生一個游泳池上面顯示的信號和11個異常節(jié)段的正常部分。測試結(jié)果的解釋如下：1實驗編號2在訓練集的數(shù)據(jù)3訓練數(shù)據(jù)的分類錯誤數(shù)4產(chǎn)生的模糊規(guī)那么數(shù)5測試集合中的數(shù)據(jù)數(shù)量6正常段中的測試集的編號7異常在測試集的異常8誤報數(shù)好標志為壞9點火缺點壞標志為好在訓練和測

27、試集，ADSAS正確標志一切壞的分部，并沒有產(chǎn)生任何誤報。第二組實驗中，我們包括四個車輛形狀的段。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)量不同于第一組實驗。如前所示，運用一樣的格式。在實驗3中，我們有一個訓練集，133例正常段。兩個這樣錯誤分類的模糊系統(tǒng)由于少量的數(shù)據(jù)的不一致性，導致兩個系統(tǒng)之間產(chǎn)生了信號規(guī)那么沖突。我們對一個產(chǎn)生77個模糊規(guī)那么的模糊智能系統(tǒng)進展了測試，它檢測到了它的29段和16段異常，它沒有產(chǎn)生任何誤報。然而，它喪失了五個壞部分。在實驗4中，我們有一個訓練集，129例正常段。只需一個訓練數(shù)據(jù)被錯誤分類而與規(guī)那么沖突。對產(chǎn)生63個模糊規(guī)那么的模糊智能

28、系統(tǒng)進展了測試，它正確地檢測到一切異常節(jié)段，并標明只需六個部分異常。在一切實驗中，我們只需三個錯誤分類的訓練數(shù)據(jù)。缺火的數(shù)目是零，在實驗1-3和實驗4中，這是可以接受的。在實驗1，2，4，系統(tǒng)檢測到一切異常節(jié)段，這是在工程診斷方面優(yōu)良的成果。第二組信號診斷實驗運用RPM和TP檢測缺點：RPM運用TP作為參考信號。結(jié)果是下面這些實驗中的一個。 TP和RPM的典型行為，在前面描畫過了，這里將不再反復。在訓練和測試集，ADSAS正確標志了一切壞的分部，并沒有產(chǎn)生任何誤報。第二組實驗中，我們包括段從四個車輛形狀。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)量不同于第一組實驗。

29、如前所示，運用一樣的格式。在實驗3中，我們有一個訓練集合，133例正常段。兩個這樣的錯誤分類的模糊系統(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個模糊規(guī)那么的模糊智能系統(tǒng)。當系統(tǒng)進展了測試運用29段和16段異常，它產(chǎn)生任何誤報。然而，它錯過了五個壞分部。在實驗4中，我們有一個訓練集，129例正常段。只需一個訓練數(shù)據(jù)被錯誤分類的規(guī)那么沖突。產(chǎn)生63個模糊規(guī)那么的模糊智能系統(tǒng)。當系統(tǒng)進展了測試，正常運用49段和7個異常節(jié)段，它正確地檢測到異常節(jié)段，并標明只需六個分部正常異常。在一切實驗中，我們只需三個錯誤分類的訓練數(shù)據(jù)。點火缺點的數(shù)目是零，測試組，在實驗1-3和6在實驗4中，這是可以

30、接受的。在實驗1，2，4，系統(tǒng)檢測一切異常節(jié)段，這是在工程診斷優(yōu)良的成果。第二組信號診斷實驗進展檢測絆腳石運用RPM和TP：RPM的運用TP作為參考信號。結(jié)果示于下面這些實驗中的一個。TP和RPM的典型行為，在前面已進展了描畫，這里將不再反復。在訓練系列中不存在錯誤分類，這里有8個錯誤提示，其中大約一半是我們在轉(zhuǎn)速信號追蹤齒輪換擋方式時產(chǎn)生的，卻不代表培訓系列。我們僅有一缸缺火正常標志為異常。7 結(jié)論在本文中，我們用小波變換和機器學習描畫了一個智能系統(tǒng)ADSAS，處理了現(xiàn)實世界中的汽車發(fā)動機診斷問題。對異常信號區(qū)段95-100正確的區(qū)分率這一實驗結(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，被標志為異常假警報，并沒有完全被表示在訓練數(shù)據(jù)中。ADSAS是一個強有力的信號診斷工具。它可以開展系統(tǒng)主要功能，包括信號展現(xiàn)，分割，特征提取，學習測試幾方面。雖然我們只運用信號對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擴展到更大的信號組。除了其診斷才干，ADSAS還是一個實驗不同窗習方法，選擇診斷特性等的良好的實驗研討平臺。8 贊賞作者衷心地贊賞阿爾-米爾斯和斯菈蒂齊先生，贊賞他們在福特汽車公司高級汽車缺點診斷與設(shè)計部中對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