《基于波形分析的汽车电控系统故障诊断技术(文献翻译).docx》由会员分享，可在线阅读，更多相关《基于波形分析的汽车电控系统故障诊断技术(文献翻译).docx（29页珍藏版）》请在三一办公上搜索。
1、16794e8c3df0c609e3360bef5353310824.pdf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
2、状态的信号段中，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
3、，汽车制造商认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
4、器下载数据，离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
5、也是标准所在的地方（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
6、内基组），IDEA（菲亚特研究中心）和MDS（戴姆勒 - 奔驰研究）。信号A 信号B信号A信号D信号B信号C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
7、制器监视其输出的排气质量、齿轮变化和气流变化，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
8、是复杂的，包括五到十个不同的重要信号，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
9、）。最后，所有车辆无法来自相同的信号。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
10、来的目标。2 系统概述我们已经开发出的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
11、生。第二，分割导致的信号数据的一个自然的聚类。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
12、图2-2所示为分割TP信号的例子。线段在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。
13、在这一层中，我们选择一个主信号进行分析，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
14、。本机器学习系统同时接受关于如何从一个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
15、状态。TP信号在发生信号上升的期间为加速，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
16、多分辨率分析的信号分割我们的自动分割算法基于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
17、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-样本图如图3-1所示，TP段的信号应用到转速信号和点火提前角信号。逼近系数同样标记为CA，相应的细节系数变大，光盘表示粗糙（规模较大）的信号的详细信息。从高频细节可以发现精细程度，而低频细节可以发现在使用过程中的详细程度。具体是什么细节系数表示依赖于主子波函数。在我们的例子中，我们选择采用母小波DB1，因为它的细节系数表明急剧变化的信号，表示过渡状态（加速振动性或减速）。具体来说，在从FWT取得细节系数中使用DB1能明显地
18、改变对应的波峰和波谷。 3.2分割算法分割主要有我们在下面描述的四个步骤，这些步骤详情如下：步骤1 创建近似的区段界限。这一步在一系列的细节系数级别中选择小波系数，放置区段界限非常接近的正确位置的信号。我们使用递归算法，多尺度大段划分成多个较小的段进行进一步的详细分析。步骤2 合并相同的状态区段：第1步后，一些相邻的段可能具有相同的状态，各段连接在一起。步骤3 微调区段界限：这一步是在一个小邻域，通常是一个或两个样本，在各地的分部边界转移界限以达到优化。此步骤也将删除明显太短的任意稳定状态（空闲或巡航状态）。步骤4 再次合并相同状态区段：步骤3中的这一过程可能会造成相邻区段的相同状态，所以我们
19、重新运行第2步。第一步是使用递归过程研究日益精细的详细程度信号。我们发现，如果我们忽视了粗级别系数，我们将不能确定某种信号的流畅变化。另一方面，如果我们忽略了更精细级别系数，我们将错过小的变化。每个递归实例的算法侧重于表示信号索引的一个部分（开头和结尾），信号详细的小波变换系数在一个给定水平。开始时，该分部的假设状态算法也被传递。算法遍历在给定具体水平的每个系数，跟踪连续的0序列（采用确定）产生正值或负值。这些序列分别代表巡航、减速和加速状态，使用小波母函数的功能。我们用稳定、减速和加速分别代表三种状态。我们不区分怠速状态和巡航状态，而统称他们为稳态。每次系数的值在0、正、负之间改变，并且有一
20、个状态变化都能找到上一个状态的结束点。端点的位置和状态的一个段被发现并使用，根据以下规则优化端点位置：路径过渡态和收缩巡航状态。这个规则是基于这样的事实：TP转换往往表示车辆状态变化的开始。有一些TP改变时，车辆反应这种变化之间的延迟时间。在过渡态结束时的填充为车辆的反应留下一些时间。加速和减速状态和稳定状态的处理略有不同。如果一个系数的值是0，则增加一个计数器。如果该数目被给定限制连续是0，这一状态被认为是稳态。这消除了短的巡航区段，并进一步为过渡态做铺垫。一旦我们确定一个状态开始和结束的界限，递归调用分部程序将进行进一步必要的细分。这是必要的因为小波变换在不同规模不同级别的细节系数的隔离倾
21、向是不同的。一个过渡状态出现一个高频系数，这是不寻常的。更精细层次系数的移动保证我们所有车辆的状态。此外，我们可以更精确地定位区段界限。这里是基本的递推层次的级别。它表明我们运行的是原始信号，而不是系数。在这里，我们简单地创建分段。因为我们使用深度优先递归，所以按顺序从所述第一信号样本中创建最后一个样本的各部分。4 特征提取这个模块的目标是，从各段分割模块提取明显诊断功能。我们定义了一个功能，它在一个段内的信号是有用的，并用于描述某一段上的正常或异常信号的所有属性。对于车辆诊断工程和信号处理的理论知识，我们发现它有以下有用功能：（1）分部状态。空闲0，加速度1，2，巡航或减速3。（2）区段长度
22、。一般情况下，在一个段内的信号特性依赖于该段的长度。例如，一个很长的加速状态，可能会导致在转速比上一个短而明显的变化。（3）最大和最小的信号。在一个段内的信号的最大和最小值是有价值的用于检测的边界条件，如TP低于其闲置的门槛值。每个信号具有涉及到各自不同的行为模式的不同的功能集，如信号依赖、时间延误以及常见故障。选择使用哪些功能在一定程度上是基于汽车工程师的工程知识和在一定程度上的实验。首先，我们通过专家检查信号的典型行为描述特定功能的信号、信号的依赖、典型故障案例的意义。从这个专家信息中，我们创建了一个特征向量，从上面列出的一组可能的功能中，我们认为最好的捕捉信息由汽车专家解释。最后，我们进
23、行实验，使用功能和数据的一致性突出常见故障分析的能力。如果有必要，我们将根据实验结果或其他专家信息，继续修改特征向量，直到取得令人满意的结果（95-100识别坏分部）。5 采用模糊逻辑的信号故障诊断模糊逻辑理论的目的是处理信号源的不确定、不精确和不完整。模糊系统已成功应用在许多领域，包括证券交易所。控制理论、控制系统以及业务渐进的调整是必要的。模糊规则和模糊集之间的关系提供了强大的增量建模的系统，其复杂性使得传统的专家系统，数学模型、统计方法非常困难。信号诊断问题中最具挑战性的是，现代汽车的复杂性让大多数信号故障的知识是不完整和模糊的。这种不确定性迫使我们，采用模糊诊断方法找到一个解决方案。在
24、本文中，我们提出了一个能从数据或工程专家自动学习新知识的模糊的智能系统。前面我们给出了一个模糊智能系统的概述。图5-1表示的是模糊学习组件和模糊推理成分。训练数据模糊规则和成员特征语言模糊输出工程输出数据输入口优化功能模糊规则发生器测试数据数据输入口数据输出口模糊规则成员功能模糊端发动机故障无论是从工程技术专家还是通过培训数据的机器学习，模糊学习成分的功能是掌握知识。模糊学习组件的输出是基于模糊的知识的基础上，即组成的模糊规则和模糊归属函数（MSF）。图5-1模糊推理过程图模糊推理成分有对信号段应用信号诊断知识的能力，并得出诊断结果。研究的最具挑战性的部分是产生一个有效的知识的基础。6 实施和
25、实验前面各节中所描述的算法被整合到一个单一的系统即高级诊断信号分析系统（ADSAS），在使用本系统时已进行了大量的实验。第六节介绍的功能ADSAS描述了车辆信号诊断的两个实验。6.1先进的信号诊断分析系统ADSAS是一个车辆诊断和学习的智能系统。该系统的实施使用Win32 API的兼容Windows 95/98/NT。该系统有两个目标。首先，它提供了一个强大而灵活的测试平台，我们可以进行实验研究。第二，它是一个很大的系统，可以用于车辆诊断，是各大汽车公司的工程师和技术人员的一个基本用具。我们目前系统的截图是一个通用系统的主要窗口截图，显示了一个包含小波变换系数的信号。6.2实验结果在本节中，我
26、们描述了使用ADSAS的两组进行了多个信号的诊断实验。 ADSAS的任务是由上述第五节所述的模糊智能系统根据学到的知识标记所有异常的信号段。第一组信号诊断实验的目的是TP信号故障检测，使用TP和关闭节气门位置油门（TPCT）信号。第二组实验中涉及检测RPM的障碍，使用RPM与TP。在这个实验中，我们只有一个未知变量，这个变量它代表一个段的故障状态。 GOOD（较低的值）表示正常的段，而差的值（高值）或UNKNOWN指示异常段。我们产生一个游泳池上面显示的信号和11个异常节段的正常部分。测试结果的解释如下：（1）实验编号（2）在训练集的数据（3）训练数据的分类错误数（4）产生的模糊规则数（5）测
27、试集合中的数据数量（6）正常段中的测试集的编号（7）异常在测试集的异常（8）误报数（好标记为坏）（9）点火故障（坏标记为好）在训练和测试集，ADSAS正确标记所有坏的分部，并没有产生任何误报。第二组实验中，我们包括四个车辆状态的段。显示的是模糊变量和它们的相关联的一些模糊的条款（注意，只有模糊的数量不同于第一组实验）。如前所示，使用相同的格式。在实验3中，我们有一个训练集，133例正常段。两个这样错误分类的模糊系统由于少量的数据的不一致性，导致两个系统之间产生了信号规则冲突。我们对一个产生77个模糊规则的模糊智能系统进行了测试，它检测到了它的29段和16段异常，它没有产生任何误报。然而，它丢失
28、了五个坏部分。在实验4中，我们有一个训练集，129例正常段。只有一个训练数据被错误分类而与规则冲突。对产生63个模糊规则的模糊智能系统进行了测试，它正确地检测到所有异常节段，并标明只有六个部分异常。在所有实验中，我们只有三个错误分类的训练数据。缺火的数目是零，在实验1-3和实验4中，这是可以接受的。在实验1，2，4，系统检测到所有异常节段，这是在工程诊断方面优异的成绩。第二组信号诊断实验使用RPM和TP检测故障：RPM使用TP作为参考信号。结果是下面这些实验中的一个。 TP和RPM的典型行为，在前面描述过了，这里将不再重复。在训练和测试集，ADSAS正确标记了所有坏的分部，并没有产生任何误报。
29、第二组实验中，我们包括段从四个车辆状态。表III显示的模糊变量和它们的相关联的一些模糊的条款（注意，只有模糊的数量不同于第一组实验）。如前所示，使用相同的格式。在实验3中，我们有一个训练集合，133例正常段。两个这样的错误分类的模糊系统表示一些规则的冲突，由于少量的数据的不一致性。产生77个模糊规则的模糊智能系统。当系统进行了测试使用29段和16段异常，它产生任何误报。然而，它错过了五个坏分部。在实验4中，我们有一个训练集，129例正常段。只有一个训练数据被错误分类的规则冲突。产生63个模糊规则的模糊智能系统。当系统进行了测试，正常使用49段和7个异常节段，它正确地检测到异常节段，并标明只有六
30、个分部正常异常。在所有实验中，我们只有三个错误分类的训练数据。点火故障的数目是零，测试组，在实验1-3和6在实验4中，这是可以接受的。在实验1，2，4，系统检测所有异常节段，这是在工程诊断优异的成绩。第二组信号诊断实验进行检测绊脚石使用RPM和TP：RPM的使用TP作为参考信号。结果示于下面这些实验中的一个。TP和RPM的典型行为，在前面已进行了描述，这里将不再重复。在训练系列中不存在错误分类，这里有8个错误提示，其中大约一半是我们在转速信号追踪齿轮换挡模式时产生的，却不代表培训系列。我们仅有一缸缺火（正常标记为异常）。7 结论在本文中，我们用小波变换和机器学习描述了一个智能系统ADSAS，解
31、决了现实世界中的汽车发动机诊断问题。对异常信号区段95-100正确的区分率这一实验结果，它是令人鼓舞的成果。在某些情况下，正常段通常是受到其他系统因素的影响，如齿轮的变化，被标记为异常（假警报），并没有完全被表示在训练数据中。ADSAS是一个强有力的信号诊断工具。它能够开展系统主要功能，包括信号展示，分割，特征提取，学习测试几方面。虽然我们只使用信号对（TP，TPCT）（TP，RPM）展示结果，但我们的系统框架是可以毫无困难地扩展到更大的信号组。除了其诊断能力，ADSAS还是一个试验不同学习方法，选择诊断特性等的良好的试验研究平台。8 感谢作者衷心地感谢阿尔-米尔斯和斯菈蒂齐先生，感谢他们在福
32、特汽车公司高级汽车故障诊断与设计部中对他们项目的大力支持。1313基于波形分析的汽车电控系统故障诊断技术（文献翻译）Automotive Signal Diagnostics 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 sy
33、stem employing the wavelet transformation in the solution of vehicle engine diagnosis 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-r
34、esolution analysis. Second, by applying the segmentation result of the leading signal 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
35、from a training set containing feature vectors extracted from signal segments at various 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. INTRODUCTIONTODAY
36、S vehicles are becoming more and more complex with increased reliability on electronics 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, p
37、oorly understood ways. Correspondingly, the job of vehicle diagnosis has become more difficult, 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 probl
38、em. This “throwing parts at the vehicle” approach increases car manufacturer warranty costs 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
39、fault.During the 1980s, the rapid introduction of electronic engine management techniques 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
40、classes 7:1) On-board diagnostic software and self test routines. An Electronic Control 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,
41、 a scanner or a scan tool can be connected to the diagnostic terminal of the on-board computer. 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. Th
42、ese tools combine data downloaded from the vehicle ECU and sensors with off-board diagnostic 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,
43、on-board software must be integrated with vehicle specific hardware, which means different 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 knowled
44、ge stored in the system is fixed unless the manufacturer updates it with costly replacements. 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 anal
45、ysis techniques such as signal transformations or machine learning techniques are not available. 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-
46、board computer to the off-board unit, so data can be collected from the ECU and analyzed 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-fr
47、ee. Model-based techniques employ mathematical models of the dynamics of the vehicle components 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 wi
48、th many interactive components. Model-free systems are knowledge-based, incorporating professional 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. Examples of such system include Strategy Engine (HP), TestBench (Carnegie Group), IDEA (Fiat Research Center), and MDS (Daimler-Benz Research) 25.Fig.1. In
