《2020（汽车行业）基于波形分析的汽车电控系统故障诊断技术(文献翻译)》由会员分享，可在线阅读，更多相关《2020（汽车行业）基于波形分析的汽车电控系统故障诊断技术(文献翻译)（46页珍藏版）》请在金锄头文库上搜索。
1、（汽车行业）基于波形分析的汽车电控系统故障诊断技术(文献翻译)基于波形的汽车信号诊断及机械研究郭红，雅阁.克罗斯曼，伊璐.墨菲，马克.科尔曼，电机与电子工程师联合会成员摘要在本文中，我们描述了一个智能信号分析系统，该系统在汽车发动机故障诊断的解决方案中采用的是小波变换。汽车发动机诊断往往涉及多个信号的分析。首先，这个先进的系统将引导信号分成许多小片段，每个片段代表一个物理事件，它是基于小波变换的多分辨率信号分析。接着，这个系统把主要信号的分区结果应用到其他信号，其中每个分区的包括信号间关系的各种详细属性，都被提取了出来，而后形成一个特征向量。最后，模糊智能系统向一个包含从各种车辆状态的信号段中
2、，提取特征向量及训练集合学习诊断特性。模糊系统按其诊断理论，把信号按照异常或正常进行分类。在本文中，该系统的实施被描述了出来，并且实验结果也呈现出来了。1介绍随着电子元件和车载电脑可靠性的提高，当今汽车变得越来越复杂。其结果是，这些车辆的故障诊断随着零部件和控制器之间的相互作用越来越复杂，变得越来越具有挑战性，并且有时是以人们不了解的方式出现。相应地，汽车故障诊断特别是非常规故障工作，变得更加困难。技术人员甚至经常无法查明造成故障的根源，只是更换了自认为出了问题的部件，寄希望于这些部件是问题的根源所在。这一“扔掉汽车部件”的方式提高了汽车制造商的保修成本，并会导致顾客不满意。因此，汽车制造商认
3、为有必要开发一种新型的电子诊断技术，帮助人们迅速找到导致车辆故障的根本原因。在20世纪80年代，发动机电子控制技术的快速引进，使汽车发动机的性能大大提高。另一方面，这样也使发动机诊断成为车辆诊断中最困难的部分。汽车诊断技术，可以分为三大类：1) 车载诊断软件和自检过程。电子控制单元（ECU）软件可合并自检过程，在检测到故障时可以存储故障代码。2）使用板外的诊断工具。当检查车辆获取诊断数据时，扫描仪或扫描工具可以连接到主板上的电脑诊断终端。这些工具可以简单地收集故障码供ECU自检，也可以记录从主板上的车辆传感器驱动时的连续输出信号。3）关闭车载诊断站。这些工具结合从车辆ECU和传感器下载数据，离
4、板诊断在车辆上所使用的复杂传感器。同样，这项技术剩下的全部任务是解释数据。车载诊断有几个限制。首先，软件必须结合车辆具体的硬件，这意味着不同的车辆不能共享相同的软件或诊断方法。第二，所提供的错误代码的主板上的软件不，能提供足够的细节允许进行故障诊断。第三，知识存储在系统中是固定的，除非制造商更新它昂贵的配件。最后，由于在车辆上计算资源是有限的（较慢的处理器，较少的信息的存储空间），这是很难做到的仅仅去限制检查诊断类型。先进的信号分析技术，如信号转换或机器学习技术是不能应用的。随着CPU和信号处理的快速发展，离板式诊断技术在车载诊断中更有前景。车载电脑和离板式单元之间有数据连接，这也是标准所在的
5、地方（ISO 9141），所以数据可以是先从ECU中收集，之后通过功能强大的计算机进行离线分析。不幸的是，在这个时候，诊断技术远远落后于数据采集技术。车辆诊断技术可分为两类：基于模型的技术和无模型的技术。基于模型的技术，采用车辆部件的动态数学建模来分析车辆系统的行为。尽管这些模型可用于检查各发动机部件的简单结构，我们带有互动性元件实车没有不准确的模型。无模型系统以知识为基础，结合工程师的专业知识没有关于系统动力学细节的确切信息。这种方法被采用的理由是：即使在汽车机械和电气动态方面不具有广泛的知识，许多有经验的技术人员仍然可以找到故障。该系统的例子包括策略引擎（HP），测试平台（卡内基组），ID
6、EA（菲亚特研究中心）和MDS（戴姆勒 - 奔驰研究）。信号A 信号B图1-1 信号改变图在本文中，我们描述了一个通过ECU信号分析诊断系统、使用离板和无模型确定故障车辆的状况。然而这里讨论的来自动力总成控制模块（PCM）的信号开发的方法，这个信号系统足够被用来其他多种信号故障诊断问题。紧耦合的系统，如汽车动力总成，每个组件的输入和输出影响其他大部分系统的组件。例如，驱动程序按节流会导致发动机的气流增加。该PCM改变控制策略，修改供油和火花时序。增加进气量和供油量，提高转速可以显著地改变传输等组件的输出，如交流发电机输出。此外，还有在反馈回路系统中，板载控制器监视其输出的排气质量、齿轮变化和气
7、流变化，进一步修改系统的运行状况，以保持在最佳性能和排气污染降到最低。外部因素如道路阻力系数、道路坡度、车辆的重量、主动配件等提供物理反馈系统进一步改变运行状态。在我们的系统中，我们依赖动力系统的信号获得到这些物理事件。例如，图1-1展示了一个简化的节气门位置（TP）和每分钟转数（RPM）信号之间的关系。TP突然上升和下降，而RPM模仿这种行为，但更顺畅。这种简化是不完全准确的，但通过车辆信号演示的关键点可以看出重要的物理关系。图1-1表示出了一组典型的四个不同的信号之间的关系。每个圆圈是一个信号，每条边则表示一个功能，结尾尾信号影响头部信号。这些关系往往是复杂的，包括五到十个不同的重要信号，
8、并且有许多信号之间存在一定的循环。我们注意到使用的信号对车辆进行诊断相关的几个重要问题。首先，我们必须区分信号好坏和运行不良的车辆状况。一个坏的信号一般是因一个坏的PCM或坏的传感器造成的。状况不良的车辆状态可能是由于大量的电子方面或机械方面的因素造成的。无论它是电子零件坏了还是机械故障，我们系统检测到的信号指出不良车辆的状况。其次，我们注意到，并非所有的相应的信号都可以模拟，它与实际车辆存在物理的依赖关系。例如，没有任何的信号来指示道路颠簸这一可以影响车辆的物理因素。为了处理这些未知的条件，我们培养了几个条件，同时避免极端驾驶条件的车辆数据（例如越野赛车）。最后，所有车辆无法来自相同的信号。
9、当考虑的车辆因素依赖于信号的关系时，会造成不能丢失的信号信息，否则依赖于这些信息某些故障无法进行诊断。在本文中，我们侧重于开发分解多个信号、诊断特征提取、智能诊断的技术三方面。本文的组织结构如下：在第二节中，我们简单介绍诊断系统。在第三节，介绍自动分割算法，基于小波多分辨率分析。在第四节中，我们将讨论如何处理、组合和形成适合输入到机器学习系统的特征向量的特征，及分类资料。第五部分介绍了如何基于模糊机器学习系统来学习好的和坏的信号特性。第六节描述实施诊断系统，我们已经取得了令人鼓舞的实验结果。最后，第七节讨论此研究造成的影响，以及到目前为止我们的工作和我们未来的目标。2 系统概述我们已经开发出的
10、系统是一个多层次的诊断系统（参见图2-1）。在这里，我们涉及到了每一层的简要概述及其目标。第二，第三和第四层在后面的章节中有更详细讨论。第一层和第五层在这里我们仅仅做下简要地讨论。第一层的数据转换成合适的格式进行处理。这一层是比较简单的，并不再做进一步的讨论。第二层的自动分区的信号，转换成可以使用小波特征的另一个信号。图2-2显示了使用已被分割的该模块的TP信号。这些分部有三个目的。首先，他们把信号转换成涉及到一些物理的车辆状态额地区，例如加速或闲置。如果我们知道一般的物理状态的车辆，我们可以消除许多可能出现的故障和行为，并知道它们能不能在给定的物理状态发生。第二，分割导致的信号数据的一个自然
11、的聚类。在一个给定段的信号特性通常是与其他段相同的状态非常类似的行为。这导致了更为一致的训练和测试数据。第三，我们可以采用各段信号隔离故障位置，这可能会导致识别故障更容易。最后，对原始信号作为一个整体进行分割，这将导致大量的多余的数据一块进行分析，从而在一个非常复杂的特征向量的信号分析中取得了很好的平衡。这种分割允许我们检查不超载的信号系统提供的数据的重要细节。1数据转换层2分割层3特征向量建设层4超级功能载体构建成TP区段TP信号转换信号转换区段TP特征转换特征点火提前角信号点火提前角区段点火提前角特征车外数据图2-1诊断系统的框图图2-2时间-样本图如图2-2所示为分割TP信号的例子。线段
12、在ADSAS上升表示开始加速，高稳定段表示巡航，减速表示下降，低稳定段表示闲置。这种分割是通过我们的系统自动完成的。第三层各分部提取功能，将这些功能整合到兼容一个特征向量的机器学习系统。这些特征向量的分类，可用于定义好的和坏的行为的重要方面。例如，我们可能想看看在信号中的“噪音”、段内的变化率或运动模式。为了提取信息，我们以一个紧凑的形式使用先进的信号处理技术，包括统计数据信号本身相关的小波和傅立叶变换。从转换系数和我们选择的统计数据中看出，每个信号的数据元素最能代表给定信号的功能。最后，我们用这个数据组成特征向量。第四层引入系统中的时间和信号依赖的概念。在这一层中，我们选择一个主信号进行分析
13、，并选择一组有一定的因果关系与给定主信号的参考信号。然后，我们结合我们的主信号的功能从基准信号选择功能，以形成一个“超级特征向量”。这种超级的特征矢量也可以包括前面的线段的特征，从而结合到系统中的时间依赖关系。例如，前面提到的“一般转速上升在TP类似的上升所造成的”。此外，由于物理惯性，通常在一个段转速的行为的与紧接之前部分的行为联系非常密切。因此，我们创建了一个包含RPM的功能的超级特征向量RPM。随着TP信号的状态（加速，减速，稳定巡航，空闲状态等），一个机器学习系统可以使用此信息来区分转速信号、TP和那些不正常的反应。第五层和最后一层包括机器学习系统。本机器学习系统同时接受关于如何从一个
14、不同的信号通过单独每个信号类型的知识库识别故障，在目前，我们使用一个模糊学习系统，但该层可以推广到神经网络或其他合适的机器学习系统。第4层将产生的超向量送入系统进行训练学习。在这段时间内进行培训和监督，所以我们提供了一个目标输出系统尝试匹配。我们注意到，面对许多复杂的诊断问题，我们经常不是验证“坏”的数据样本，我们主要是培养良好的样本。后面三章是对2-4层比较详细地论述。3 信号分割我们开发的信号分割算法将信号分区成不同的车辆状态的时间段。我们考虑的车辆状态是怠速状态、巡航、加速和减速。 TP信号是进行分割的不错选择，因为它的行为密切关系到模仿车辆的这四种状态。TP信号在发生信号上升的期间为加
15、速，出现下降为减速，相对平坦的TP信号区段表示巡航或怠速。从TP车辆的状态我们可以做一个很好的评估，在任何给定时间和分割成段表示时间周期信号时，车辆状态是一致的。第二节举了一个例子，这个例子采用了典型的TP信号分割算法。使用TP作为引导信号，我们应用自动分割的TP信号与其他从相同的车辆的记录信号相同，以便标记与这些信号相对应的车辆状态的各段。转速和点火提前角的信号覆盖用TP段,TP段演示了如何映射到其他信号。这样问题就变成了如何对TP信号进行最佳区分。我们提出了一种基于多分辨率分析（MRA），使用小波变换系数的算法，以帮助找到区段界限。3.1基于小波变换的多分辨率分析的信号分割我们的自动分割算
16、法基于MRA，使用离散小波变换的多尺度隔离功能。最近其中的图像压缩本、模式识别、音处理、信号检测方法、天文和模型估计已被用于许多其它领域。查找区段界限是一个不同的边缘检测的问题。特别是加速和减速状态分别对应于在TP信号的上升沿和下降沿。小波函数是正确选择，与该小波系数信号相关的值可以被用来识别这些边缘。此外，对小波系数趋向于隔离的信号特征（如边缘）的规模使我们能够调整这些区段分割，以避免从某些边缘随意产生的噪声，以便非常顺利地发生变化。我们实施小波变换采用快速小波变换（FWT）算法。FWT的第一阶段以原始信号是开始，通过使用该信号，与小波母函数的功能有关的特殊的低频和高频通过滤波器，我们得到与高频详细信号和近似系数对应的信号和详细的小波变换系数。然后这两项系数，通过向下采样重复上述过程，正如我们的近似系数的算法。图3-1时间-样本
