【正文】 基于波形的汽車信號(hào)診斷及機(jī)械研究郭紅，，電機(jī)與電子工程師聯(lián)合會(huì)成員摘要在本文中，我們描述了一個(gè)智能信號(hào)分析系統(tǒng)，該系統(tǒng)在汽車發(fā)動(dòng)機(jī)故障診斷的解決方案中采用的是小波變換。汽車發(fā)動(dòng)機(jī)診斷往往涉及多個(gè)信號(hào)的分析。首先，這個(gè)先進(jìn)的系統(tǒng)將引導(dǎo)信號(hào)分成許多小片段，每個(gè)片段代表一個(gè)物理事件，它是基于小波變換的多分辨率信號(hào)分析。接著，這個(gè)系統(tǒng)把主要信號(hào)的分區(qū)結(jié)果應(yīng)用到其他信號(hào)，其中每個(gè)分區(qū)的包括信號(hào)間關(guān)系的各種詳細(xì)屬性，都被提取了出來(lái)，而后形成一個(gè)特征向量。最后，模糊智能系統(tǒng)向一個(gè)包含從各種車輛狀態(tài)的信號(hào)段中，提取特征向量及訓(xùn)練集合學(xué)習(xí)診斷特性。模糊系統(tǒng)按其診斷理論，把信號(hào)按照異?；蛘＿M(jìn)行分類。在本文中，該系統(tǒng)的實(shí)施被描述了出來(lái)，并且實(shí)驗(yàn)結(jié)果也呈現(xiàn)出來(lái)了。1介紹隨著電子元件和車載電腦可靠性的提高，當(dāng)今汽車變得越來(lái)越復(fù)雜。其結(jié)果是，這些車輛的故障診斷隨著零部件和控制器之間的相互作用越來(lái)越復(fù)雜，變得越來(lái)越具有挑戰(zhàn)性，并且有時(shí)是以人們不了解的方式出現(xiàn)。相應(yīng)地，汽車故障診斷特別是非常規(guī)故障工作，變得更加困難。技術(shù)人員甚至經(jīng)常無(wú)法查明造成故障的根源，只是更換了自認(rèn)為出了問(wèn)題的部件，寄希望于這些部件是問(wèn)題的根源所在。這一“扔掉汽車部件”的方式提高了汽車制造商的保修成本，并會(huì)導(dǎo)致顧客不滿意。因此，汽車制造商認(rèn)為有必要開(kāi)發(fā)一種新型的電子診斷技術(shù)，幫助人們迅速找到導(dǎo)致車輛故障的根本原因。在20世紀(jì)80年代，發(fā)動(dòng)機(jī)電子控制技術(shù)的快速引進(jìn)，使汽車發(fā)動(dòng)機(jī)的性能大大提高。另一方面，這樣也使發(fā)動(dòng)機(jī)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(guò)程。電子控制單元（ECU）軟件可合并自檢過(guò)程，在檢測(cè)到故障時(shí)可以存儲(chǔ)故障代碼。2）使用板外的診斷工具。當(dāng)檢查車輛獲取診斷數(shù)據(jù)時(shí)，掃描儀或掃描工具可以連接到主板上的電腦診斷終端。這些工具可以簡(jiǎn)單地收集故障碼供ECU自檢，也可以記錄從主板上的車輛傳感器驅(qū)動(dòng)時(shí)的連續(xù)輸出信號(hào)。3）關(guān)閉車載診斷站。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使用的復(fù)雜傳感器。同樣，這項(xiàng)技術(shù)剩下的全部任務(wù)是解釋數(shù)據(jù)。車載診斷有幾個(gè)限制。首先，軟件必須結(jié)合車輛具體的硬件，這意味著不同的車輛不能共享相同的軟件或診斷方法。第二，所提供的錯(cuò)誤代碼的主板上的軟件不，能提供足夠的細(xì)節(jié)允許進(jìn)行故障診斷。第三，知識(shí)存儲(chǔ)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(jì)算資源是有限的（較慢的處理器，較少的信息的存儲(chǔ)空間），這是很難做到的僅僅去限制檢查診斷類型。先進(jìn)的信號(hào)分析技術(shù)，如信號(hào)轉(zhuǎn)換或機(jī)器學(xué)習(xí)技術(shù)是不能應(yīng)用的。隨著CPU和信號(hào)處理的快速發(fā)展，離板式診斷技術(shù)在車載診斷中更有前景。車載電腦和離板式單元之間有數(shù)據(jù)連接，這也是標(biāo)準(zhǔn)所在的地方（ISO 9141），所以數(shù)據(jù)可以是先從ECU中收集，之后通過(guò)功能強(qiáng)大的計(jì)算機(jī)進(jìn)行離線分析。不幸的是，在這個(gè)時(shí)候，診斷技術(shù)遠(yuǎn)遠(yuǎn)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(wú)模型的技術(shù)。基于模型的技術(shù)，采用車輛部件的動(dòng)態(tài)數(shù)學(xué)建模來(lái)分析車輛系統(tǒng)的行為。盡管這些模型可用于檢查各發(fā)動(dòng)機(jī)部件的簡(jiǎn)單結(jié)構(gòu)，我們帶有互動(dòng)性元件實(shí)車沒(méi)有不準(zhǔn)確的模型。無(wú)模型系統(tǒng)以知識(shí)為基礎(chǔ)，結(jié)合工程師的專業(yè)知識(shí)沒(méi)有關(guān)于系統(tǒng)動(dòng)力學(xué)細(xì)節(jié)的確切信息。這種方法被采用的理由是：即使在汽車機(jī)械和電氣動(dòng)態(tài)方面不具有廣泛的知識(shí)，許多有經(jīng)驗(yàn)的技術(shù)人員仍然可以找到故障。該系統(tǒng)的例子包括策略引擎（HP），測(cè)試平臺(tái)（卡內(nèi)基組），IDEA（菲亞特研究中心）和MDS（戴姆勒 奔馳研究）。信號(hào)A 信號(hào)B信號(hào)A信號(hào)D信號(hào)B信號(hào)C圖11 信號(hào)改變圖在本文中，我們描述了一個(gè)通過(guò)ECU信號(hào)分析診斷系統(tǒng)、使用離板和無(wú)模型確定故障車輛的狀況。然而這里討論的來(lái)自動(dòng)力總成控制模塊（PCM）的信號(hào)開(kāi)發(fā)的方法，這個(gè)信號(hào)系統(tǒng)足夠被用來(lái)其他多種信號(hào)故障診斷問(wèn)題。緊耦合的系統(tǒng)，如汽車動(dòng)力總成，每個(gè)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(dòng)程序按節(jié)流會(huì)導(dǎo)致發(fā)動(dòng)機(jī)的氣流增加。該P(yáng)CM改變控制策略，修改供油和火花時(shí)序。增加進(jìn)氣量和供油量，提高轉(zhuǎn)速可以顯著地改變傳輸?shù)冉M件的輸出，如交流發(fā)電機(jī)輸出。此外，還有在反饋回路系統(tǒng)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(jìn)一步修改系統(tǒng)的運(yùn)行狀況，以保持在最佳性能和排氣污染降到最低。外部因素如道路阻力系數(shù)、道路坡度、車輛的重量、主動(dòng)配件等提供物理反饋系統(tǒng)進(jìn)一步改變運(yùn)行狀態(tài)。在我們的系統(tǒng)中，我們依賴動(dòng)力系統(tǒng)的信號(hào)獲得到這些物理事件。例如，圖11展示了一個(gè)簡(jiǎn)化的節(jié)氣門位置（TP）和每分鐘轉(zhuǎn)數(shù)（RPM）信號(hào)之間的關(guān)系。TP突然上升和下降，而RPM模仿這種行為，但更順暢。這種簡(jiǎn)化是不完全準(zhǔn)確的，但通過(guò)車輛信號(hào)演示的關(guān)鍵點(diǎn)可以看出重要的物理關(guān)系。圖11表示出了一組典型的四個(gè)不同的信號(hào)之間的關(guān)系。每個(gè)圓圈是一個(gè)信號(hào)，每條邊則表示一個(gè)功能，結(jié)尾尾信號(hào)影響頭部信號(hào)。這些關(guān)系往往是復(fù)雜的，包括五到十個(gè)不同的重要信號(hào)，并且有許多信號(hào)之間存在一定的循環(huán)。我們注意到使用的信號(hào)對(duì)車輛進(jìn)行診斷相關(guān)的幾個(gè)重要問(wèn)題。首先，我們必須區(qū)分信號(hào)好壞和運(yùn)行不良的車輛狀況。一個(gè)壞的信號(hào)一般是因一個(gè)壞的PCM或壞的傳感器造成的。狀況不良的車輛狀態(tài)可能是由于大量的電子方面或機(jī)械方面的因素造成的。無(wú)論它是電子零件壞了還是機(jī)械故障，我們系統(tǒng)檢測(cè)到的信號(hào)指出不良車輛的狀況。其次，我們注意到，并非所有的相應(yīng)的信號(hào)都可以模擬，它與實(shí)際車輛存在物理的依賴關(guān)系。例如，沒(méi)有任何的信號(hào)來(lái)指示道路顛簸這一可以影響車輛的物理因素。為了處理這些未知的條件，我們培養(yǎng)了幾個(gè)條件，同時(shí)避免極端駕駛條件的車輛數(shù)據(jù)（例如越野賽車）。最后，所有車輛無(wú)法來(lái)自相同的信號(hào)。當(dāng)考慮的車輛因素依賴于信號(hào)的關(guān)系時(shí)，會(huì)造成不能丟失的信號(hào)信息，否則依賴于這些信息某些故障無(wú)法進(jìn)行診斷。在本文中，我們側(cè)重于開(kāi)發(fā)分解多個(gè)信號(hào)、診斷特征提取、智能診斷的技術(shù)三方面。本文的組織結(jié)構(gòu)如下：在第二節(jié)中，我們簡(jiǎn)單介紹診斷系統(tǒng)。在第三節(jié)，介紹自動(dòng)分割算法，基于小波多分辨率分析。在第四節(jié)中，我們將討論如何處理、組合和形成適合輸入到機(jī)器學(xué)習(xí)系統(tǒng)的特征向量的特征，及分類資料。第五部分介紹了如何基于模糊機(jī)器學(xué)習(xí)系統(tǒng)來(lái)學(xué)習(xí)好的和壞的信號(hào)特性。第六節(jié)描述實(shí)施診斷系統(tǒng)，我們已經(jīng)取得了令人鼓舞的實(shí)驗(yàn)結(jié)果。最后，第七節(jié)討論此研究造成的影響，以及到目前為止我們的工作和我們未來(lái)的目標(biāo)。2 系統(tǒng)概述我們已經(jīng)開(kāi)發(fā)出的系統(tǒng)是一個(gè)多層次的診斷系統(tǒng)（參見(jiàn)圖21）。在這里，我們涉及到了每一層的簡(jiǎn)要概述及其目標(biāo)。第二，第三和第四層在后面的章節(jié)中有更詳細(xì)討論。第一層和第五層在這里我們僅僅做下簡(jiǎn)要地討論。第一層的數(shù)據(jù)轉(zhuǎn)換成合適的格式進(jìn)行處理。這一層是比較簡(jiǎn)單的，并不再做進(jìn)一步的討論。第二層的自動(dòng)分區(qū)的信號(hào)，轉(zhuǎn)換成可以使用小波特征的另一個(gè)信號(hào)。圖22顯示了使用已被分割的該模塊的TP信號(hào)。這些分部有三個(gè)目的。首先，他們把信號(hào)轉(zhuǎn)換成涉及到一些物理的車輛狀態(tài)額地區(qū)，例如加速或閑置。如果我們知道一般的物理狀態(tài)的車輛，我們可以消除許多可能出現(xiàn)的故障和行為，并知道它們能不能在給定的物理狀態(tài)發(fā)生。第二，分割導(dǎo)致的信號(hào)數(shù)據(jù)的一個(gè)自然的聚類。在一個(gè)給定段的信號(hào)特性通常是與其他段相同的狀態(tài)非常類似的行為。這導(dǎo)致了更為一致的訓(xùn)練和測(cè)試數(shù)據(jù)。第三，我們可以采用各段信號(hào)隔離故障位置，這可能會(huì)導(dǎo)致識(shí)別故障更容易。最后，對(duì)原始信號(hào)作為一個(gè)整體進(jìn)行分割，這將導(dǎo)致大量的多余的數(shù)據(jù)一塊進(jìn)行分析，從而在一個(gè)非常復(fù)雜的特征向量的信號(hào)分析中取得了很好的平衡。這種分割允許我們檢查不超載的信號(hào)系統(tǒng)提供的數(shù)據(jù)的重要細(xì)節(jié)。1數(shù)據(jù)轉(zhuǎn)換層2分割層3特征向量建設(shè)層4超級(jí)功能載體構(gòu)建成TP區(qū)段TP信號(hào)轉(zhuǎn)換信號(hào)轉(zhuǎn)換區(qū)段TP特征轉(zhuǎn)換特征點(diǎn)火提前角信號(hào)點(diǎn)火提前角區(qū)段點(diǎn)火提前角特征車外數(shù)據(jù)圖21診斷系統(tǒng)的框圖圖22時(shí)間樣本圖如圖22所示為分割TP信號(hào)的例子。線段在ADSAS上升表示開(kāi)始加速，高穩(wěn)定段表示巡航，減速表示下降，低穩(wěn)定段表示閑置。這種分割是通過(guò)我們的系統(tǒng)自動(dòng)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(gè)特征向量的機(jī)器學(xué)習(xí)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，我們可能想看看在信號(hào)中的“噪音”、段內(nèi)的變化率或運(yùn)動(dòng)模式。為了提取信息，我們以一個(gè)緊湊的形式使用先進(jìn)的信號(hào)處理技術(shù)，包括統(tǒng)計(jì)數(shù)據(jù)信號(hào)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(jì)數(shù)據(jù)中看出，每個(gè)信號(hào)的數(shù)據(jù)元素最能代表給定信號(hào)的功能。最后，我們用這個(gè)數(shù)據(jù)組成特征向量。第四層引入系統(tǒng)中的時(shí)間和信號(hào)依賴的概念。在這一層中，我們選擇一個(gè)主信號(hào)進(jìn)行分析，并選擇一組有一定的因果關(guān)系與給定主信號(hào)的參考信號(hào)。然后，我們結(jié)合我們的主信號(hào)的功能從基準(zhǔn)信號(hào)選擇功能，以形成一個(gè)“超級(jí)特征向量”。這種超級(jí)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(shí)間依賴關(guān)系。例如，前面提到的“一般轉(zhuǎn)速上升在TP類似的上升所造成的”。此外，由于物理慣性，通常在一個(gè)段轉(zhuǎn)速的行為的與緊接之前部分的行為聯(lián)系非常密切。因此，我們創(chuàng)建了一個(gè)包含RPM的功能的超級(jí)特征向量RPM。隨著TP信號(hào)的狀態(tài)（加速，減速，穩(wěn)定巡航，空閑狀態(tài)等），一個(gè)機(jī)器學(xué)習(xí)系統(tǒng)可以使用此信息來(lái)區(qū)分轉(zhuǎn)速信號(hào)、TP和那些不正常的反應(yīng)。第五層和最后一層包括機(jī)器學(xué)習(xí)系統(tǒng)。本機(jī)器學(xué)習(xí)系統(tǒng)同時(shí)接受關(guān)于如何從一個(gè)不同的信號(hào)通過(guò)單獨(dú)每個(gè)信號(hào)類型的知識(shí)庫(kù)識(shí)別故障，在目前，我們使用一個(gè)模糊學(xué)習(xí)系統(tǒng)，但該層可以推廣到神經(jīng)網(wǎng)絡(luò)或其他合適的機(jī)器學(xué)習(xí)系統(tǒng)。第4層將產(chǎn)生的超向量送入系統(tǒng)進(jìn)行訓(xùn)練學(xué)習(xí)。在這段時(shí)間內(nèi)進(jìn)行培訓(xùn)和監(jiān)督，所以我們提供了一個(gè)目標(biāo)輸出系統(tǒng)嘗試匹配。我們注意到，面對(duì)許多復(fù)雜的診斷問(wèn)題，我們經(jīng)常不是驗(yàn)證“壞”的數(shù)據(jù)樣本，我們主要是培養(yǎng)良好的樣本。后面三章是對(duì)24層比較詳細(xì)地論述。3 信號(hào)分割我們開(kāi)發(fā)的信號(hào)分割算法將信號(hào)分區(qū)成不同的車輛狀態(tài)的時(shí)間段。我們考慮的車輛狀態(tài)是怠速狀態(tài)、巡航、加速和減速。 TP信號(hào)是進(jìn)行分割的不錯(cuò)選擇，因?yàn)樗男袨槊芮嘘P(guān)系到模仿車輛的這四種狀態(tài)。TP信號(hào)在發(fā)生信號(hào)上升的期間為加速，出現(xiàn)下降為減速，相對(duì)平坦的TP信號(hào)區(qū)段表示巡航或怠速。從TP車輛的狀態(tài)我們可以做一個(gè)很好的評(píng)估，在任何給定時(shí)間和分割成段表示時(shí)間周期信號(hào)時(shí)，車輛狀態(tài)是一致的。第二節(jié)舉了一個(gè)例子，這個(gè)例子采用了典型的TP信號(hào)分割算法。使用TP作為引導(dǎo)信號(hào)，我們應(yīng)用自動(dòng)分割的TP信號(hào)與其他從相同的車輛的記錄信號(hào)相同，以便標(biāo)記與這些信號(hào)相對(duì)應(yīng)的車輛狀態(tài)的各段。轉(zhuǎn)速和點(diǎn)火提前角的信號(hào)覆蓋用TP段,TP段演示了如何映射到其他信號(hào)。這樣問(wèn)題就變成了如何對(duì)TP信號(hào)進(jìn)行最佳區(qū)分。我們提出了一種基于多分辨率分析（MRA），使用小波變換系數(shù)的算法，以幫助找到區(qū)段界限。我們的自動(dòng)分割算法基于MRA，使用離散小波變換的多尺度隔離功能。最近其中的圖像壓縮本、模式識(shí)別、音處理、信號(hào)檢測(cè)方法、天文和模型估計(jì)已被用于許多其它領(lǐng)域。查找區(qū)段界限是一個(gè)不同的邊緣檢測(cè)的問(wèn)題。特別是加速和減速狀態(tài)分別對(duì)應(yīng)于在TP信號(hào)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(hào)相關(guān)的值可以被用來(lái)識(shí)別這些邊緣。此外，對(duì)小波系數(shù)趨向于隔離的信號(hào)特征（如邊緣）的規(guī)模使我們能夠調(diào)整這些區(qū)段分割，以避免從某些邊緣隨意產(chǎn)生的噪聲，以便非常順利地發(fā)生變化。我們實(shí)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(hào)是開(kāi)始，通過(guò)使用該信號(hào)，與小波母函數(shù)的功能有關(guān)的特殊的低頻和高頻通過(guò)濾波器，我們得到與高頻詳細(xì)信號(hào)和近似系數(shù)對(duì)應(yīng)的信號(hào)和詳細(xì)的小波變換系數(shù)。然后這兩項(xiàng)系數(shù)，通過(guò)向下采樣重復(fù)上述過(guò)程，正如我們的近似系數(shù)的算法。圖31時(shí)間樣本圖如圖31所示，TP段的信號(hào)應(yīng)用到轉(zhuǎn)速信號(hào)和點(diǎn)火提前角信號(hào)。逼近系數(shù)同樣標(biāo)記為CA，相應(yīng)的細(xì)節(jié)系數(shù)變大，光盤表示粗糙（規(guī)模較大）的信號(hào)的詳細(xì)信息。從高頻細(xì)節(jié)可以發(fā)現(xiàn)精細(xì)程度，而低頻細(xì)節(jié)可以發(fā)現(xiàn)在使用過(guò)程中的詳細(xì)程度。具體是什么細(xì)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，因?yàn)樗募?xì)節(jié)系數(shù)表明急劇變化的信號(hào)，表示過(guò)渡狀態(tài)（加速振動(dòng)性或減速）。具體來(lái)說(shuō)，在從FWT取得細(xì)節(jié)系數(shù)中使用DB1能明顯地改變對(duì)應(yīng)的波峰和波谷。 分割主要有我們?cè)谙旅婷枋龅乃膫€(gè)步驟，這些步驟詳情如下：步驟1 創(chuàng)建近似的區(qū)段界限。這一步在一系列的細(xì)節(jié)系數(shù)級(jí)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(hào)。我們使用遞歸算法，多尺度大段劃分成多個(gè)較小的段進(jìn)行進(jìn)一步的詳細(xì)分析。步驟2 合并相同的狀態(tài)區(qū)段：第1步后，一些相鄰的段可能具有相同的狀態(tài)，各段連接在一起。步驟3 微調(diào)區(qū)段界限：這一步是在一個(gè)小鄰域，通常是一個(gè)或兩個(gè)樣本，在各地的分部邊界轉(zhuǎn)移界限以達(dá)到優(yōu)化。此步驟也將刪除明顯太短的任意穩(wěn)定狀態(tài)（空閑或巡航狀態(tài)）。步驟4 再次合并相同狀態(tài)區(qū)段：步驟3中的這一過(guò)程可能會(huì)造成相鄰區(qū)段的相同狀態(tài)，所以我們重新運(yùn)行第2步。第一步是使用遞歸過(guò)程研究日益精細(xì)的詳細(xì)程度信號(hào)。我們發(fā)現(xiàn)，如果我們忽視了粗級(jí)別系數(shù)，我們將不能確定某種信號(hào)的流暢變化。另一方面，如果我們忽略了更精細(xì)級(jí)別系數(shù)，我們將錯(cuò)過(guò)小的變化。每個(gè)遞歸實(shí)例的算法側(cè)重于表示信號(hào)索引的一個(gè)部分（開(kāi)頭和結(jié)尾），信號(hào)詳細(xì)的小波變換系數(shù)在一個(gè)給定水平。開(kāi)始時(shí)，該分部的假設(shè)狀態(tài)算法也被傳遞。算法遍歷在給定具體水平的每個(gè)系數(shù)，跟蹤連續(xù)的0序列（采用β確定）產(chǎn)生正值或負(fù)值。這些序列分別代表巡航、減速和加速狀態(tài)，使用小波母函數(shù)的功能。我們用穩(wěn)定、減速和加速分別代表三種狀態(tài)。我們不區(qū)分怠速狀態(tài)和巡航狀態(tài)，而統(tǒng)稱他們?yōu)榉€(wěn)態(tài)。每次系數(shù)的值在0、正、負(fù)之間改變，并且有一個(gè)狀態(tài)變化都能找到上一個(gè)狀態(tài)的結(jié)束點(diǎn)。端點(diǎn)的位置和狀態(tài)的一個(gè)段被發(fā)現(xiàn)并使用，根據(jù)以下規(guī)則優(yōu)化端點(diǎn)位置：路徑過(guò)渡態(tài)和收縮巡航狀態(tài)。這個(gè)規(guī)則是基于這樣的事實(shí)：TP轉(zhuǎn)換往往表示車輛狀態(tài)變化的開(kāi)始。有一些TP改變時(shí)，車輛反應(yīng)這種變化之間的延遲時(shí)間。在過(guò)渡態(tài)結(jié)束時(shí)的填充為車輛的反應(yīng)留下一些時(shí)間。加速和減速狀態(tài)和穩(wěn)定狀態(tài)的處理略有不同。如果一個(gè)系數(shù)的值是0，則增加一個(gè)計(jì)數(shù)器。如果該數(shù)目被給定限制連續(xù)是0，這一狀態(tài)被認(rèn)為是穩(wěn)態(tài)。這消除了短的巡航區(qū)段，并進(jìn)一步為過(guò)渡態(tài)