基于波形分析的汽车电控系统故障诊断技术(文献翻译)

1、PAGE .PAGE 16 FILENAME 基于波形分析的汽车电控系统缺点诊断技术文献翻译PAGE ：.；PAGE 13基于波形的汽车信号诊断及机械研讨郭红，雅阁.克罗斯曼，伊璐.墨菲，马克.科尔曼，电机与电子工程师结合会成员摘要在本文中，我们描画了一个智能信号分析系统，该系统在汽车发动机缺点诊断的处理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运用到其他信号，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，而后构成一个特

2、征向量。最后，模糊智能系统向一个包含从各种车辆形状的信号段中，提取特征向量及训练集合学习诊断特性。模糊系统按其诊断实际，把信号按照异常或正常进展分类。在本文中，该系统的实施被描画了出来，并且实验结果也呈现出来了。1引见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，这些车辆的缺点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，汽车缺点诊断特别是非常规缺点任务，变得更加困难。技术人员甚至经常无法查明呵斥缺点的根源，只是改换了自以为出了问题的部件，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

3、车制造商的保修本钱，并会导致顾客不称心。因此，汽车制造商以为有必要开发一种新型的电子诊断技术，协助 人们迅速找到导致车辆缺点的根本缘由。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，在检测到缺点时可以存储缺点代码。2运用板外的诊断工具。当检查车辆获取诊断数据时，扫描仪或扫描工具可以衔接到主板上的电脑诊断终端。这些工具可以简单地搜集缺点码供ECU自检，也可以记录从主板上的车辆传感器驱动时的延续输出信号。3封锁车载

4、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运用的复杂传感器。同样，这项技术剩下的全部义务是解释数据。车载诊断有几个限制。首先，软件必需结合车辆详细的硬件，这意味着不同的车辆不能共享一样的软件或诊断方法。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展缺点诊断。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置器，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运用的。随着CPU和信号处置的快速开展，离板式诊断技术在车载诊断中更有前景。车载

5、电脑和离板式单元之间有数据衔接，这也是规范所在的地方ISO 9141，所以数据可以是先从ECU中搜集，之后经过功能强大的计算机进展离线分析。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。虽然这些模型可用于检查各发动机部件的简单构造，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根底，结合工程师的专业知识没有关于系统动力学细节确实切信息。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，许多有阅历的技术人员依然可以找到缺点。该系统的例子包括

6、战略引擎HP，测试平台卡内基组，IDEA菲亚特研讨中心和MDS戴姆勒 - 飞驰研讨。信号A 信号B信号信号A信号D信号B信号C图1-1 信号改动图在本文中，我们描画了一个经过ECU信号分析诊断系统、运用离板和无模型确定缺点车辆的情况。然而这里讨论的动力总成控制模块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缺点诊断问题。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添加。该PCM改动控制战略，修正供油和火花时序。添加进气量和供油量，提高转速可以显著地改动传输等组件的输出，如交流发电机输出。此外，还有在反响回路系统

7、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，进一步修正系统的运转情况，以坚持在最正确性能和排气污染降到最低。外部要素如道路阻力系数、道路坡度、车辆的分量、自动配件等提供物理反响系统进一步改动运转形状。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展现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忽然上升和下降，而RPM模拟这种行为，但更顺畅。这种简化是不完全准确的，但经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，每条边那么表示一个功能，结尾尾信号影响头部信号。这些关

8、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。我们留意到运用的信号对车辆进展诊断相关的几个重要问题。首先，我们必需区分信号好坏和运转不良的车辆情况。一个坏的信号普通是因一个坏的PCM或坏的传感器呵斥的。情况不良的车辆形状能够是由于大量的电子方面或机械方面的要素呵斥的。无论它是电子零件坏了还是机械缺点，我们系统检测到的信号指出不良车辆的情况。其次，我们留意到，并非一切的相应的信号都可以模拟，它与实践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要素。为了处置这些未知的条件，我们培育了几个条件，同时防止极端驾驶条件的车辆数据例如越野

9、赛车。最后，一切车辆无法一样的信号。当思索的车辆要素依赖于信号的关系时，会呵斥不能丧失的信号信息，否那么依赖于这些信息某些缺点无法进展诊断。在本文中，我们偏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。本文的组织构造如下：在第二节中，我们简单引见诊断系统。在第三节，引见自动分割算法，基于小波多分辨率分析。在第四节中，我们将讨论如何处置、组合和构成适宜输入到机器学习系统的特征向量的特征，及分类资料。第五部分引见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。第六节描画实施诊断系统，我们曾经获得了令人鼓舞的实验结果。最后，第七节讨论此研讨呵斥的影响，以及到目前为止我们的任务和我们未

10、来的目的。2 系统概述我们曾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的。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适宜的格式进展处置。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，转换成可以运用小波特征的另一个信号。图2-2显示了运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形状额地域，例如加速或闲置。假设我们知道普通的物理形状的车辆，我们可以消除许多能够出现的缺点和行为，并知道它们能不能在给定的物理形状发生。

11、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一样的形状非常类似的行为。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缺点位置，这能够会导致识别缺点更容易。最后，对原始信号作为一个整体进展分割，这将导致大量的多余的数据一块进展分析，从而在一个非常复杂的特征向量的信号分析中获得了很好的平衡。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特征向量建立层4超级功能载体构建成TP区段TP1数据转换层2分割层3特征向量建立层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早角信号点火提早角区段点

12、火提早角特征车外数据图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。线段在ADSAS上升表示开场加速，高稳定段表示巡航，减速表示下降，低稳定段表示闲置。这种分割是经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，我们能够想看看在信号中的“噪音、段内的变化率或运动方式。为了提取信息，我们以一个紧凑的方式运用先进的信号处置技术，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

13、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展分析，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，以构成一个“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“普通转速上升在TP类似的上升所呵斥的。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络非常亲密。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信号的形状加速，减速，稳定巡航，空闲形状等，一个机器学习系统可以运用此信息来区分转速信号、T

14、P和那些不正常的反响。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经过单独每个信号类型的知识库识别缺点，在目前，我们运用一个模糊学习系统，但该层可以推行到神经网络或其他适宜的机器学习系统。第4层将产生的超向量送入系统进展训练学习。在这段时间内进展培训和监视，所以我们提供了一个目的输出系统尝试匹配。我们留意到，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，我们主要是培育良好的样本。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形状的时间段。我们思索的车辆形状是怠速形状、巡航、加速和减速。 TP信号是进展分

15、割的不错选择，由于它的行为亲密关系到模拟车辆的这四种形状。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车辆的形状我们可以做一个很好的评价，在任何给定时间和分割成段表示时间周期信号时，车辆形状是一致的。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。运用TP作为引导信号，我们运用自动分割的TP信号与其他从一样的车辆的记录信号一样，以便标志与这些信号相对应的车辆形状的各段。转速和点火提早角的信号覆盖用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信号进展最正确区分。我们提出了一种基于多分辨率分析MRA，运用小波变换系

16、数的算法，以协助 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，运用离散小波变换的多尺度隔离功能。最近其中的图像紧缩本、方式识别、音处置、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。特别是加速和减速形状分别对应于在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可以调整这些区段分割，以防止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

17、场，经过运用该信号，与小波母函数的功能有关的特殊的低频和高频经过滤波器，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，经过向下采样反复上述过程，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段的信号运用到转速信号和点火提早角信号。逼近系数同样标志为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，而低频细节可以发如今运用过程中的详细程度。详细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，由于它的细节系数阐明急剧变化的信号，表示过渡形状加速振动性或减速。详细来说，在从F

18、WT获得细节系数中运用DB1能明显地改动对应的波峰和波谷。 3.2分割算法分割主要有我们在下面描画的四个步骤，这些步骤概略如下：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。我们运用递归算法，多尺度大段划分成多个较小的段进展进一步的详细分析。步骤2 合并一样的形状区段：第1步后，一些相邻的段能够具有一样的形状，各段衔接在一同。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，在各地的分部边境转移界限以到达优化。此步骤也将删除明显太短的恣意稳定形状空闲或巡航形状。步骤4 再次合并一样形状区段：步骤3中的这一过程能够会

19、呵斥相邻区段的一样形状，所以我们重新运转第2步。第一步是运用递归过程研讨日益精细的详细程度信号。我们发现，假设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，假设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偏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程度。开场时，该分部的假设形状算法也被传送。算法遍历在给定详细程度的每个系数，跟踪延续的0序列采用确定产生正值或负值。这些序列分别代表巡航、减速和加速形状，运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形状。我们不区分怠速形状和巡航形状，而统称他们为稳态。每次系数的值在0、

20、正、负之间改动，并且有一个形状变化都能找到上一个形状的终了点。端点的位置和形状的一个段被发现并运用，根据以下规那么优化端点位置：途径过渡态和收缩巡航形状。这个规那么是基于这样的现实：TP转换往往表示车辆形状变化的开场。有一些TP改动时，车辆反响这种变化之间的延迟时间。在过渡态终了时的填充为车辆的反响留下一些时间。加速和减速形状和稳定形状的处置略有不同。假设一个系数的值是0，那么添加一个计数器。假设该数目被给定限制延续是0，这一形状被以为是稳态。这消除了短的巡航区段，并进一步为过渡态做铺垫。一旦我们确定一个形状开场和终了的界限，递归调用分部程序将进展进一步必要的细分。这是必要的由于小波变换在不同

21、规模不同级别的细节系数的隔离倾向是不同的。一个过渡形状出现一个高频系数，这是不寻常的。更精细层次系数的挪动保证我们一切车辆的形状。此外，我们可以更准确地定位区段界限。这里是根本的递推层次的级别。它阐明我们运转的是原始信号，而不是系数。在这里，我们简单地创建分段。由于我们运用深度优先递归，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的是，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，并用于描画某一段上的正常或异常信号的一切属性。对于车辆诊断工程和信号处置的实际知识，我们发现它有以下有用功能：1分部形状。空闲0，加速度1，2，巡

22、航或减速3。2区段长度。普通情况下，在一个段内的信号特性依赖于该段的长度。例如，一个很长的加速形状，能够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境条件，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方式的不同的功能集，如信号依赖、时间延误以及常见缺点。选择运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，我们经过专家检查信号的典型行为描画特定功能的信号、信号的依赖、典型缺点案例的意义。从这个专家信息中，我们创建了一个特征向量，从上面列出的一组能够的功能中，我们以为最好的捕捉信息由汽车专家

23、解释。最后，我们进展实验，运用功能和数据的一致性突出常见缺点分析的才干。假设有必要，我们将根据实验结果或其他专家信息，继续修正特征向量，直到获得令人称心的结果95-100识别坏分部。5 采用模糊逻辑的信号缺点诊断模糊逻辑实际的目的是处置信号源的不确定、不准确和不完好。模糊系统已胜利运用在许多领域，包括证券买卖所。控制实际、控制系统以及业务渐进的调整是必要的。模糊规那么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缺点的知识是不完好和模糊的。这种不确定性迫使我们，采用模糊诊断方法找到

24、一个处理方案。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。训练数据模糊规那么和成员特征言语模糊输出工程输出数据输入口优化功能训练数据模糊规那么和成员特征言语模糊输出工程输出数据输入口优化功能模糊规那么发生器测试数据数据输入口数据输出口模糊规那么成员功能模糊端发动机缺点图5-1模糊推理过程图模糊推理成分有对信号段运用信号诊断知识的才干，并得出诊断结果。研讨的最具挑战性的部分是产生一个有效的知识的根底。6 实施和实验前面各节中所描画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ADS

25、AS，在运用本系统时已进展了大量的实验。第六节引见的功能ADSAS描画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。该系统的实施运用Win32 API的兼容Windows 95/98/NT。该系统有两个目的。首先，它提供了一个强大而灵敏的测试平台，我们可以进展实验研讨。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根本器具。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，我们描画了运用ADSAS的两组进展了多个信号的诊断实验。 ADSAS的义务是由上述

26、第五节所述的模糊智能系统根据学到的知识标志一切异常的信号段。第一组信号诊断实验的目的是TP信号缺点检测，运用TP和封锁节气门位置油门TPCT信号。第二组实验中涉及检测RPM的妨碍，运用RPM与TP。在这个实验中，我们只需一个未知变量，这个变量它代表一个段的缺点形状。 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产生的模糊规那么数5测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误报数好标志为坏9点火缺点坏标志为好在训练和测

27、试集，ADSAS正确标志一切坏的分部，并没有产生任何误报。第二组实验中，我们包括四个车辆形状的段。显示的是模糊变量和它们的相关联的一些模糊的条款留意，只需模糊的数量不同于第一组实验。如前所示，运用一样的格式。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那么冲突。我们对一个产生77个模糊规那么的模糊智能系统进展了测试，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，它丧失了五个坏部分。在实验4中，我们有一个训练集，129例正常段。只需一个训练数据被错误分类而与规那么冲突。对产生63个模糊规那么的模糊智能

28、系统进展了测试，它正确地检测到一切异常节段，并标明只需六个部分异常。在一切实验中，我们只需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，系统检测到一切异常节段，这是在工程诊断方面优良的成果。第二组信号诊断实验运用RPM和TP检测缺点：RPM运用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，在前面描画过了，这里将不再反复。在训练和测试集，ADSAS正确标志了一切坏的分部，并没有产生任何误报。第二组实验中，我们包括段从四个车辆形状。表III显示的模糊变量和它们的相关联的一些模糊的条款留意，只需模糊的数量不同于第一组实验。

29、如前所示，运用一样的格式。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那么的冲突，由于少量的数据的不一致性。产生77个模糊规那么的模糊智能系统。当系统进展了测试运用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。只需一个训练数据被错误分类的规那么冲突。产生63个模糊规那么的模糊智能系统。当系统进展了测试，正常运用49段和7个异常节段，它正确地检测到异常节段，并标明只需六个分部正常异常。在一切实验中，我们只需三个错误分类的训练数据。点火缺点的数目是零，测试组，在实验1-3和6在实验4中，这是可以

30、接受的。在实验1，2，4，系统检测一切异常节段，这是在工程诊断优良的成果。第二组信号诊断实验进展检测绊脚石运用RPM和TP：RPM的运用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，在前面已进展了描画，这里将不再反复。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方式时产生的，却不代表培训系列。我们仅有一缸缺火正常标志为异常。7 结论在本文中，我们用小波变换和机器学习描画了一个智能系统ADSAS，处理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

31、常是遭到其他系统要素的影响，如齿轮的变化，被标志为异常假警报，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。它可以开展系统主要功能，包括信号展现，分割，特征提取，学习测试几方面。虽然我们只运用信号对TP，TPCTTP，RPM展现结果，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。除了其诊断才干，ADSAS还是一个实验不同窗习方法，选择诊断特性等的良好的实验研讨平台。8 赞赏作者衷心地赞赏阿尔-米尔斯和斯菈蒂齐先生，赞赏他们在福特汽车公司高级汽车缺点诊断与设计部中对他们工程的大力支持。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