【正文】 me state and this step joins the segments together. Step 3) Fine tune segment boundaries: This step looks at a small neighborhood, typically one or two samples, around the segmen。13 / 29Automotive Signal Diagnostics Using Wavelets and Machine LearningHong Guo, Member, IEEE, Jacob A. Crossman, Member, IEEE, Yi Lu Murphey, Senior Member, IEEE, and Mark ColemanAbstract—In this paper, we describe an intelligent signal analysis system 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 multiresolution analysis. Second, by applying the segmentation result of the leading signal to the other signals, the detailed properties of each segment, including intersignal 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 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. INTRODUCTIONTODAY39。它能夠開展系統(tǒng)主要功能，包括信號展示，分割，特征提取，學(xué)習(xí)測試幾方面。7 結(jié)論在本文中，我們用小波變換和機器學(xué)習(xí)描述了一個智能系統(tǒng)ADSAS，解決了現(xiàn)實世界中的汽車發(fā)動機診斷問題。結(jié)果示于下面這些實驗中的一個。在所有實驗中，我們只有三個錯誤分類的訓(xùn)練數(shù)據(jù)。在實驗4中，我們有一個訓(xùn)練集，129例正常段。兩個這樣的錯誤分類的模糊系統(tǒng)表示一些規(guī)則的沖突，由于少量的數(shù)據(jù)的不一致性。第二組實驗中，我們包括段從四個車輛狀態(tài)。第二組信號診斷實驗使用RPM和TP檢測故障：RPM使用TP作為參考信號。對產(chǎn)生63個模糊規(guī)則的模糊智能系統(tǒng)進行了測試，它正確地檢測到所有異常節(jié)段，并標(biāo)明只有六個部分異常。我們對一個產(chǎn)生77個模糊規(guī)則的模糊智能系統(tǒng)進行了測試，它檢測到了它的29段和16段異常，它沒有產(chǎn)生任何誤報。顯示的是模糊變量和它們的相關(guān)聯(lián)的一些模糊的條款（注意，只有模糊的數(shù)量不同于第一組實驗）。 GOOD（較低的值）表示正常的段，而差的值（高值）或UNKNOWN指示異常段。 ADSAS的任務(wù)是由上述第五節(jié)所述的模糊智能系統(tǒng)根據(jù)學(xué)到的知識標(biāo)記所有異常的信號段。首先，它提供了一個強大而靈活的測試平臺，我們可以進行實驗研究。第六節(jié)介紹的功能ADSAS描述了車輛信號診斷的兩個實驗。模糊學(xué)習(xí)組件的輸出是基于模糊的知識的基礎(chǔ)上，即組成的模糊規(guī)則和模糊歸屬函數(shù)（MSF）。在本文中，我們提出了一個能從數(shù)據(jù)或工程專家自動學(xué)習(xí)新知識的模糊的智能系統(tǒng)?？刂评碚?、控制系統(tǒng)以及業(yè)務(wù)漸進的調(diào)整是必要的。最后，我們進行實驗，使用功能和數(shù)據(jù)的一致性突出常見故障分析的能力。每個信號具有涉及到各自不同的行為模式的不同的功能集，如信號依賴、時間延誤以及常見故障。一般情況下，在一個段內(nèi)的信號特性依賴于該段的長度。我們定義了一個功能，它在一個段內(nèi)的信號是有用的，并用于描述某一段上的正?；虍惓Ｐ盘柕乃袑傩浴Ｋ砻魑覀冞\行的是原始信號，而不是系數(shù)。一個過渡狀態(tài)出現(xiàn)一個高頻系數(shù)，這是不尋常的。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)。有一些TP改變時，車輛反應(yīng)這種變化之間的延遲時間。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)。開始時，該分部的假設(shè)狀態(tài)算法也被傳遞。第一步是使用遞歸過程研究日益精細的詳細程度信號。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。具體來說，在從FWT取得細節(jié)系數(shù)中使用DB1能明顯地改變對應(yīng)的波峰和波谷。逼近系數(shù)同樣標(biāo)記為CA，相應(yīng)的細節(jié)系數(shù)變大，光盤表示粗糙（規(guī)模較大）的信號的詳細信息。我們實施小波變換采用快速小波變換（FWT）算法。查找區(qū)段界限是一個不同的邊緣檢測的問題。這樣問題就變成了如何對TP信號進行最佳區(qū)分。從TP車輛的狀態(tài)我們可以做一個很好的評估，在任何給定時間和分割成段表示時間周期信號時，車輛狀態(tài)是一致的。3 信號分割我們開發(fā)的信號分割算法將信號分區(qū)成不同的車輛狀態(tài)的時間段。第4層將產(chǎn)生的超向量送入系統(tǒng)進行訓(xùn)練學(xué)習(xí)。因此，我們創(chuàng)建了一個包含RPM的功能的超級特征向量RPM。然后，我們結(jié)合我們的主信號的功能從基準(zhǔn)信號選擇功能，以形成一個“超級特征向量”。從轉(zhuǎn)換系數(shù)和我們選擇的統(tǒng)計數(shù)據(jù)中看出，每個信號的數(shù)據(jù)元素最能代表給定信號的功能。第三層各分部提取功能，將這些功能整合到兼容一個特征向量的機器學(xué)習(xí)系統(tǒng)。這種分割允許我們檢查不超載的信號系統(tǒng)提供的數(shù)據(jù)的重要細節(jié)。在一個給定段的信號特性通常是與其他段相同的狀態(tài)非常類似的行為。這些分部有三個目的。第一層的數(shù)據(jù)轉(zhuǎn)換成合適的格式進行處理。2 系統(tǒng)概述我們已經(jīng)開發(fā)出的系統(tǒng)是一個多層次的診斷系統(tǒng)（參見圖21）。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器學(xué)習(xí)系統(tǒng)的特征向量的特征，及分類資料。當(dāng)考慮的車輛因素依賴于信號的關(guān)系時，會造成不能丟失的信號信息，否則依賴于這些信息某些故障無法進行診斷。其次，我們注意到，并非所有的相應(yīng)的信號都可以模擬，它與實際車輛存在物理的依賴關(guān)系。首先，我們必須區(qū)分信號好壞和運行不良的車輛狀況。圖11表示出了一組典型的四個不同的信號之間的關(guān)系。在我們的系統(tǒng)中，我們依賴動力系統(tǒng)的信號獲得到這些物理事件。該PCM改變控制策略，修改供油和火花時序。信號A 信號B信號A信號D信號B信號C圖11 信號改變圖在本文中，我們描述了一個通過ECU信號分析診斷系統(tǒng)、使用離板和無模型確定故障車輛的狀況。盡管這些模型可用于檢查各發(fā)動機部件的簡單結(jié)構(gòu)，我們帶有互動性元件實車沒有不準(zhǔn)確的模型。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，之后通過功能強大的計算機進行離線分析。第三，知識存儲在系統(tǒng)中是固定的，除非制造商更新它昂貴的配件。同樣，這項技術(shù)剩下的全部任務(wù)是解釋數(shù)據(jù)。當(dāng)檢查車輛獲取診斷數(shù)據(jù)時，掃描儀或掃描工具可以連接到主板上的電腦診斷終端。另一方面，這樣也使發(fā)動機診斷成為車輛診斷中最困難的部分。技術(shù)人員甚至經(jīng)常無法查明造成故障的根源，只是更換了自認(rèn)為出了問題的部件，寄希望于這些部件是問題的根源所在。在本文中，該系統(tǒng)的實施被描述了出來，并且實驗結(jié)果也呈現(xiàn)出來了。首先，這個先進的系統(tǒng)將引導(dǎo)信號分成許多小片段，每個片段代表一個物理事件，它是基于小波變換的多分辨率信號分析。汽車發(fā)動機診斷往往涉及多個信號的分析。模糊系統(tǒng)按其診斷理論，把信號按照異常或正常進行分類。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。在20世紀(jì)80年代，發(fā)動機電子控制技術(shù)的快速引進，使汽車發(fā)動機的性能大大提高。2）使用板外的診斷工具。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。第二，所提供的錯誤代碼的主板上的軟件不，能提供足夠的細節(jié)允許進行故障診斷。隨著CPU和信號處理的快速發(fā)展，離板式診斷技術(shù)在車載診斷中更有前景?；谀Ｐ偷募夹g(shù)，采用車輛部件的動態(tài)數(shù)學(xué)建模來分析車輛系統(tǒng)的行為。該系統(tǒng)的例子包括策略引擎（HP），測試平臺（卡內(nèi)基組），IDEA（菲亞特研究中心）和MDS（戴姆勒 奔馳研究）。例如，驅(qū)動程序按節(jié)流會導(dǎo)致發(fā)動機的氣流增加。外部因素如道路阻力系數(shù)、道路坡度、車輛的重量、主動配件等提供物理反饋系統(tǒng)進一步改變運行狀態(tài)。這種簡化是不完全準(zhǔn)確的，但通過車輛信號演示的關(guān)鍵點可以看出重要的物理關(guān)系。我們注意到使用的信號對車輛進行診斷相關(guān)的幾個重要問題。無論它是電子零件壞了還是機械故障，我們系統(tǒng)檢測到的信號指出不良車輛的狀況。最后，所有車輛無法來自相同的信號。在第三節(jié)，介紹自動分割算法，基于小波多分辨率分析。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的目標(biāo)。第一層和第五層在這里我們僅僅做下簡要地討論。圖22顯示了使用已被分割的該模塊的TP信號。第二，分割導(dǎo)致的信號數(shù)據(jù)的一個自然的聚類。最后，對原始信號作為一個整體進行分割，這將導(dǎo)致大量的多余的數(shù)據(jù)一塊進行分析，從而在一個非常復(fù)雜的特征向量的信號分析中取得了很好的平衡。這種分割是通過我們的系統(tǒng)自動完成的。為了提取信息，我們以一個緊湊的形式使用先進的信號處理技術(shù)，包括統(tǒng)計數(shù)據(jù)信號本身相關(guān)的小波和傅立葉變換。在這一層中，我們選擇一個主信號進行分析，并選擇一組有一定的因果關(guān)系與給定主信號的參考信號。此外，由于物理慣性，通常在一個段轉(zhuǎn)速的行為的與緊接之前部分的行為聯(lián)系非常密切。本機器學(xué)習(xí)系統(tǒng)同時接受關(guān)于如何從一個不同的信號通過單獨每個信號類型的知識庫識別故障，在目前，我們使用一個模糊學(xué)習(xí)系統(tǒng)，但該層可以推廣到神經(jīng)網(wǎng)絡(luò)或其他合適的機器學(xué)習(xí)系統(tǒng)。后面三章是對24層比較詳細地論述。TP信號在發(fā)生信號上升的期間為加速，出現(xiàn)下降為減速，相對平坦的TP信號區(qū)段表示巡航或怠速。轉(zhuǎn)速和點火提前角的信號覆蓋用TP段,TP段演示了如何映射到其他信號。最近其中的圖像壓縮本、模式識別、音處理、信號檢測方法、天文和模型估計已被用于許多其它領(lǐng)域。此外，對小波系數(shù)趨向于隔離的信號特征（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。圖31時間樣本圖如圖31所示，TP段的信號應(yīng)用到轉(zhuǎn)速信號和點火提前角信號。在我們的例子中，我們選擇采用母小波DB1，因為它的細節(jié)系數(shù)表明急劇變化的信號，表示過渡狀態(tài)（加速振動性或減速）。我們使用遞歸算法，多尺度大段劃分成多個較小的段進行進一步的詳細分析。步驟4 再次合并相同狀態(tài)區(qū)段：步驟3中的這一過程可能會造成相鄰區(qū)段的相同狀態(tài)，所以我們重新運行第2步。每個遞歸實例的算法側(cè)重于表示信號索引的一個部分（開頭和結(jié)尾），信號詳細的小波變換系數(shù)在一個給定水平。我們用穩(wěn)定、減速和加速分別代表三種狀態(tài)。這個規(guī)則是基于這樣的事實：TP轉(zhuǎn)換往往表示車輛狀態(tài)變化的開始。如果一個系數(shù)的值是0，則增加一個計數(shù)器。這是必要的因為小波變換在不同規(guī)模不同級別的細節(jié)系數(shù)的隔離傾向是不同的。這里是基本的遞推層次的級別。4 特征提取這個模塊的目標(biāo)是，從各段分割模塊提取明顯診斷功能。（2）區(qū)段長度。在一個段內(nèi)的信號的最大和最小值是有價值的用于檢測的邊界條件，如TP低于其閑置的門檻值。從這個專家信息中，我們創(chuàng)建了一個特征向量，從上面列出的一組可能的功能中，我們認(rèn)為最好的捕捉信息由汽車專家解釋。模糊系統(tǒng)已成功應(yīng)用在許多領(lǐng)域，包括證券交易所。這種不確定性迫使我們，采用模糊診斷方法找到一個解決方案。訓(xùn)練數(shù)據(jù)模糊規(guī)則和成員特征語言模糊輸出工程輸出數(shù)據(jù)輸入口優(yōu)化功能模糊規(guī)則發(fā)生器測試數(shù)據(jù)數(shù)據(jù)輸入口數(shù)據(jù)輸出口模糊規(guī)則成員功能模糊端發(fā)動機故障無論是從工程技術(shù)專家還是通過培訓(xùn)數(shù)據(jù)的機器學(xué)習(xí)，模糊學(xué)習(xí)成分的功能是掌握知識。6 實施和實驗前面各節(jié)中所描述的算法被整合到一個單一的系統(tǒng)即高級診斷信號分析系統(tǒng)（ADSAS），在使用本系統(tǒng)時已進行了大量的實驗。該系統(tǒng)有兩個目標(biāo)。在本節(jié)中，我們描述了使用ADSAS的兩組進行了多個信號的診斷實驗。在這個實驗中，我們只有一個未知變量，這個變量它代表一個段的故障狀態(tài)。第二組實驗中，我們包括四個車輛狀態(tài)的段。兩個這樣錯誤分類的模糊系統(tǒng)由于少量的數(shù)據(jù)的不一致性，導(dǎo)致兩個系統(tǒng)之間產(chǎn)生了信號規(guī)則沖突。只有一個訓(xùn)練數(shù)據(jù)被錯誤分類而與規(guī)則沖突。在實驗1，2，4，系統(tǒng)檢測到所有異常節(jié)段，這是在工程診斷方面優(yōu)異的成績。在訓(xùn)練和測試集，ADSAS正確標(biāo)記了所有壞的分部，并沒有產(chǎn)生任何誤報。在實驗3中，我們有一個訓(xùn)練集合，133例正常段。然而，它錯過了五個壞分部。當(dāng)系統(tǒng)進行了測試，正常使用49段和7個異常節(jié)段，它正確地檢測到異常節(jié)段，并標(biāo)明只有六個分部正常異常。第二組信號診斷實驗進行檢測絆腳石使用RPM和TP：RPM的使用TP作為參考信號。我們僅有一缸缺火（正常標(biāo)記為異常）。ADSAS是一個強有力的信號診斷工具。8 感謝作者衷心地感謝阿爾米爾斯和斯菈蒂齊先生，感謝他們在福特汽車公司高級汽車故障診斷與設(shè)計部中對他們項目的