基于波形分析的汽车电控系统故障诊断技术论文文献翻译Word文件下载.docx
- 文档编号:16453034
- 上传时间:2022-11-23
- 格式:DOCX
- 页数:33
- 大小:196.30KB
基于波形分析的汽车电控系统故障诊断技术论文文献翻译Word文件下载.docx
《基于波形分析的汽车电控系统故障诊断技术论文文献翻译Word文件下载.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论文文献翻译Word文件下载.docx(33页珍藏版)》请在冰豆网上搜索。
本人授权 大学可以将本学位论文的全部或部分内容编入有关数据库进行检索,可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。
涉密论文按学校规定处理。
导师签名:
日期:
注意事项
1.设计(论文)的内容包括:
1)封面(按教务处制定的标准封面格式制作)
2)原创性声明
3)中文摘要(300字左右)、关键词
4)外文摘要、关键词
5)目次页(附件不统一编入)
6)论文主体部分:
引言(或绪论)、正文、结论
7)参考文献
8)致谢
9)附录(对论文支持必要时)
2.论文字数要求:
理工类设计(论文)正文字数不少于1万字(不包括图纸、程序清单等),文科类论文正文字数不少于1.2万字。
3.附件包括:
任务书、开题报告、外文译文、译文原文(复印件)。
4.文字、图表要求:
1)文字通顺,语言流畅,书写字迹工整,打印字体及大小符合要求,无错别字,不准请他人代写
2)工程设计类题目的图纸,要求部分用尺规绘制,部分用计算机绘制,所有图纸应符合国家技术标准规范。
图表整洁,布局合理,文字注释必须使用工程字书写,不准用徒手画
3)毕业论文须用A4单面打印,论文50页以上的双面打印
4)图表应绘制于无格子的页面上
5)软件工程类课题应有程序清单,并提供电子文档
5.装订顺序
1)设计(论文)
2)附件:
按照任务书、开题报告、外文译文、译文原文(复印件)次序装订
指导教师评阅书
指导教师评价:
一、撰写(设计)过程
1、学生在论文(设计)过程中的治学态度、工作精神
□优□良□中□及格□不及格
2、学生掌握专业知识、技能的扎实程度
3、学生综合运用所学知识和专业技能分析和解决问题的能力
4、研究方法的科学性;
技术线路的可行性;
设计方案的合理性
5、完成毕业论文(设计)期间的出勤情况
二、论文(设计)质量
1、论文(设计)的整体结构是否符合撰写规范?
2、是否完成指定的论文(设计)任务(包括装订及附件)?
三、论文(设计)水平
1、论文(设计)的理论意义或对解决实际问题的指导意义
2、论文的观念是否有新意?
设计是否有创意?
3、论文(设计说明书)所体现的整体水平
建议成绩:
(在所选等级前的□内画“√”)
指导教师:
(签名)单位:
(盖章)
年月日
评阅教师评阅书
评阅教师评价:
一、论文(设计)质量
二、论文(设计)水平
评阅教师:
教研室(或答辩小组)及教学系意见
教研室(或答辩小组)评价:
一、答辩过程
1、毕业论文(设计)的基本要点和见解的叙述情况
2、对答辩问题的反应、理解、表达情况
3、学生答辩过程中的精神状态
评定成绩:
教研室主任(或答辩小组组长):
(签名)
教学系意见:
系主任:
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,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,这也是标准所在的地方(ISO9141),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),IDEA(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,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。
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。
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,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β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。
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。
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
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 波形 分析 汽车 系统故障 诊断 技术 论文 文献 翻译