吳士力，唐振民，陳成勇

(1.南京理工大學計算機科學與工程學院，南京 200094； 2.南京交通職業(yè)技術(shù)學院-長安福特汽車有限公司聯(lián)合實驗室，南京 211188)

一種基于數(shù)據(jù)流趨勢與相關(guān)性分析的汽油機空燃比故障實時檢測方法?

吳士力1，唐振民1，陳成勇2

(1.南京理工大學計算機科學與工程學院，南京 200094； 2.南京交通職業(yè)技術(shù)學院-長安福特汽車有限公司聯(lián)合實驗室，南京 211188)

本文中根據(jù)汽油機空燃比故障的特點，提出了一種基于數(shù)據(jù)流趨勢異常和相關(guān)性分析的故障實時檢測方法。為了提高準確率和運行效率，通過衰減和時間判斷法在誤差累積和算法CUSUM基礎(chǔ)上進行改進，對數(shù)據(jù)流之間的相關(guān)性進行快速估計，使整個系統(tǒng)能運行在對資源比較敏感的車載平臺上。在長安福特發(fā)動機上的實驗結(jié)果表明，相比傳統(tǒng)的基于SVM和神經(jīng)網(wǎng)絡(luò)的故障檢測方法，該方法能以較低的資源消耗獲得更好的故障檢測效果。

汽油機；空燃比故障；實時故障檢測；數(shù)據(jù)流趨勢；累積和算法；相關(guān)性

前言

發(fā)動機實時故障檢測技術(shù)對保障發(fā)動機正常工作以及車輛行駛安全都有積極的意義。汽油發(fā)動機的故障種類繁多，不同類型故障的檢測方法一般有較大區(qū)別，本文中針對空燃比故障的實時檢測方法展開研究?？杖急裙收鲜侵笟飧變?nèi)的實際空燃比值(A/F)明顯偏離理論值14.7。實際值大于理論值表明可燃混合氣過稀，反之則過濃。如果不及時修理會影響發(fā)動機的動力、排放和使用壽命，極端情況下還可能造成發(fā)動機在運行過程中突然熄火。

空燃比控制涉及燃油供給、進氣、排放等多個控制環(huán)節(jié)，其復雜的非線性控制模型難以被精確建模。但發(fā)動機控制系統(tǒng)中數(shù)十個傳感器和執(zhí)行器在運行時會源源不斷產(chǎn)生大量的數(shù)據(jù)，在時序上形成了數(shù)據(jù)流，其中蘊含著豐富的發(fā)動機工況信息，所以直接對其進行分析往往會比分析模型更為經(jīng)濟有效[1－2]。目前，這種通過挖掘歷史數(shù)據(jù)來獲取系統(tǒng)狀態(tài)和運行規(guī)律的數(shù)據(jù)驅(qū)動算法大致可以分為3類[3－4]:(1)機器學習，如SVM(support vector machine)、神經(jīng)網(wǎng)絡(luò)等；(2)統(tǒng)計模型，如PCA(principal component analysis)，PLS(partial least squares)和ICA(independent component analysis)等；(3)信號處理，如頻譜、趨勢和相關(guān)性分析等。前兩類方法在發(fā)動機故障識別與診斷領(lǐng)域已經(jīng)取得了大量的研究成果[5－9]。但在實際運行過程中，發(fā)動機的控制狀態(tài)會隨著運行環(huán)境的變化而變化，使得采用固定模型的SVM、神經(jīng)網(wǎng)絡(luò)和統(tǒng)計模型難以適應(yīng)。頻譜分析主要應(yīng)用于振動信號的處理[10]，難以對發(fā)動機系統(tǒng)中的非振動信號進行有效分析。趨勢分析是一種高效的時域信號處理方法，能夠直接獲取信號的過程演變特征[11－13]。相關(guān)性分析則根據(jù)各個信號變量之間的相關(guān)程度及其變化情況來分析系統(tǒng)狀態(tài)[14]。后兩種方法不依賴于具體的模型，可用來捕捉存在狀態(tài)漂移的時變系統(tǒng)異常。

現(xiàn)代發(fā)動機都采用氧傳感器來測量空燃比，但不同類型氧傳感器的輸出信號是不一樣的。為了提高故障檢測系統(tǒng)的通用性，本文中根據(jù)燃油修正值來獲得空燃比的稀濃狀態(tài)。燃油修正是一種用來幫助控制系統(tǒng)平衡空燃比的控制策略，有短期修正(short term fuel trim，STFT)和長期修正(long term fuel trim，LTFT)兩種[15]。當混合氣稀時，STFT值為正值，發(fā)動機系統(tǒng)會在當前基礎(chǔ)噴油量上增加燃油供應(yīng)，反之相反。如果STFT值超過調(diào)整極限，空燃比還是無法保持在理論值附近時，系統(tǒng)會通過LTFT調(diào)整基礎(chǔ)噴油量。如果調(diào)整依然失敗，OBD (on board diagnostic)系統(tǒng)就會進行故障報警。如果故障規(guī)模較小，通過STFT就可以對空燃比進行修正，使得LTFT不會介入或者即使介入也難以達到故障報警極限，導致故障難以被及時發(fā)現(xiàn)。因此，基于STFT數(shù)據(jù)變化來實時檢測空燃比故障具有明顯的實際意義。

燃油修正的初始值一般都設(shè)為0。但器件老化磨損、燃油質(zhì)量、積碳、運行環(huán)境等因素都會引起修正值偏離初始值，這意味著無法只根據(jù)STFT值的大小來判斷空燃比平衡與否。由于空燃比突然失去平衡時STFT信號趨勢必定會發(fā)生突變，所以通過STFT信號在短時間內(nèi)的趨勢變化可以判斷空燃比有無異常。但這種情況既可能由故障引起，也可能是因為發(fā)動機處于急加速工況或者EGR(exhaust gas recirculation)正在工作?？紤]到發(fā)動機在無故障狀態(tài)下工作時，各個傳感器和執(zhí)行器參數(shù)之間往往都具有一定的線性關(guān)聯(lián)性[16]。比如發(fā)動機轉(zhuǎn)速和進氣流量之間呈正比關(guān)系。一旦發(fā)生故障，這種關(guān)聯(lián)性就會遭到破壞。比如進氣管漏氣故障會使發(fā)動機轉(zhuǎn)速上升但進氣流量計的輸出值反而下降。所以在STFT趨勢分析的基礎(chǔ)上，還有必要再結(jié)合數(shù)據(jù)流之間相關(guān)性的分析結(jié)果，以此來提高識別空燃比故障的準確率。

綜上，本文中通過對相關(guān)數(shù)據(jù)流進行在線趨勢和相關(guān)性分析來實時檢測發(fā)動機的空燃比故障?？紤]到整個故障檢測系統(tǒng)將以車載的方式運行，分別對現(xiàn)有的趨勢提取算法和相關(guān)性計算方法進行了改進，在保證準確率的同時降低其時空復雜性，以減少計算資源消耗。為了方便討論，本文中討論所用的數(shù)據(jù)流樣本全部采集自福特Duratec 1.5L發(fā)動機。

1 趨勢分析算法

針對時序信號的趨勢分析方法有很多，分段線性表示法以其簡單直觀得到廣泛應(yīng)用。其基本形式為:將數(shù)據(jù)流T＝{t1，t2，…，tn}分割成k(k

分段線性法的實施方法可以分為自頂向下、自底向上和滑動窗3種[17]。APCA(adaptive piecewise constant approximation)，PAA(piecewise aggregate approximation)和PLA(piecewise linear approximation)等離線分段算法都采用了前兩種方式。本文中采用的滑動窗是一種在線分段方式，這對實時處理發(fā)動機數(shù)據(jù)流是必要的。

1.1 CUSUM算法概述

CUSUM(cumulative sum of errors)算法采用最小二乘法對數(shù)據(jù)流進行線性擬合，根據(jù)累積的擬合殘差值來判斷當前的擬合線性分段是否合適[18－19]，其具體算法如下。

設(shè)在時刻ti，信號yti的線性擬合值為

式中:ts為擬合線段的起始時間；ks為該線段的斜率；bs為ts時刻該線段在y軸上的截距。在ti時刻擬合分段的殘差為則從ts時刻起至ti時刻的累積殘差為

設(shè)在tj(j＞i)時刻，有

在任意時刻ti，累積殘差值cusumti都會和閾值Th1和Th2進行比較:

如果｜cusumti｜≤Th1，則認為當前擬合分段可以被接受；

如果Th1<｜cusumti｜

如果｜cusumti｜≥Th2，則認為當前擬合分段不再適合數(shù)據(jù)流，需要對緩存中的數(shù)據(jù)進行重新擬合，并將cusumti重置為0，緩存清空。

根據(jù)算法原理可知，閾值Th1和Th2對CUSUM的擬合結(jié)果有直接影響。Th1一般用于過濾信號中的噪聲；Th2決定了算法對信號突變的反應(yīng)時間。當數(shù)據(jù)流發(fā)生明顯大于噪聲的突變時，當前的擬合分段會快速偏離數(shù)據(jù)流，使得累積殘差的絕對值迅速增加。所以，合理的Th1和Th2可以使CUSUM算法既對信號中的顯著變化反應(yīng)迅速，又能盡量避免被噪聲干擾，從而對數(shù)據(jù)流的變化趨勢進行正確跟蹤。

1.2 改進CUSUM算法

最小二乘法一般在信號噪聲服從正態(tài)分布的情況下會取得好的擬合效果。雖然發(fā)動機上各種電器會產(chǎn)生各種強度的電磁噪聲，但從OBD口獲取的發(fā)動機信號的噪聲已經(jīng)被ECU過濾掉，疊加在信號上的干擾部分主要是不服從正態(tài)分布的隨機抖動。因此，在使用CUSUM算法擬合發(fā)動機數(shù)據(jù)流時很容易受到抖動的干擾。圖1所示的是CUSUM算法(Th1＝3，Th2＝12)在STFT數(shù)據(jù)流(發(fā)動機處于正常平穩(wěn)運行狀態(tài))上的擬合結(jié)果。

圖1 CUSUM算法擬合STFT數(shù)據(jù)流

由圖可見:STFT數(shù)據(jù)流上的抖動類似于矩形波，其振幅幾乎都相同，但發(fā)生間隔和持續(xù)時間明顯不服從正態(tài)分布；在樣本時間大約為70和105時，累積殘差值都因為信號的抖動而超過閾值Th2，從而引發(fā)兩次不合理的回歸(如a，b箭頭標記)；在樣本時間大約170處的信號抖動使得累積殘差值長時間位于閾值Th1和Th2中間，導致接下來的回歸操作需要處理位于緩存塊中的大約300個樣本點。雖然通過增加Th1和Th2的值可以抑制抖動帶來的不利影響，但是也會延遲CUSUM算法對趨勢變化的響應(yīng)速度。針對STFT信號上抖動的特點，可以從以下幾個方面對CUSUM算法進行改進。

(1)當累積殘差值沒有隨著新樣本數(shù)據(jù)的到來而發(fā)生明顯變化(變化的標準可以根據(jù)數(shù)據(jù)流的方差進行設(shè)定)，這意味著數(shù)據(jù)流中沒有新的抖動產(chǎn)生。此時可以使用函數(shù)f(t)＝e－ρt(ρ＞0)對累積殘差值進行逐步衰減直至0，以此消減抖動對數(shù)據(jù)流擬合的干擾。參數(shù)ρ決定了衰減的速度，圖2所示的是使用衰減函數(shù)(ρ＝0.1)對圖1中STFT數(shù)據(jù)流進行線性擬合的結(jié)果。

圖2 使用衰減函數(shù)的CUSUM算法擬合STFT數(shù)據(jù)流

從圖2中可以看到，累積殘差值發(fā)生了5次衰減(用d1～d5箭頭標記)，使圖1中的擬合線段(箭頭a標記)和包含300個樣本點的緩存塊區(qū)域沒有出現(xiàn)。

(2)圖2中的擬合線段(箭頭b標記)沒有因為使用了衰減函數(shù)而得到糾正。這是因為持續(xù)周期較長的抖動或者持續(xù)周期很短但是彼此間隔很小的若干個抖動限制了衰減函數(shù)的作用空間。也就是說，除了數(shù)據(jù)流的趨勢變化外，抖動依然會造成累積殘差值超過Th2。為了進行區(qū)分，對累積殘差值從開始增長到超過閾值Th2所用的時間進行分析。

為了方便討論，設(shè)當前擬合線段的方程為y＝0，將一個長周期的抖動簡化為一個長為D、寬為h的矩形波，則CUSUM算法檢測到該抖動所用的時間Tl(Tl

同理，若干個相鄰短周期的檢測時間Ts為

式中f(t)為抖動對應(yīng)的函數(shù)，滿足0≤f(t)≤h。由中值定理可得f(ξ)Ts＝Th2，f(ξ)為f(t)的均值，ξ∈[0，Ts]則可得Ts≥Tl。

設(shè)數(shù)據(jù)流上的某個趨勢變化為直線y＝ax，a (a＞0)是斜率，則其檢測時間Tv為

由上述分析可知，如果Tv＞Tl，則說明導致累積殘差值大于Th2的原因是由抖動造成的。反之則說明數(shù)據(jù)流上發(fā)生了明顯的趨勢變化，需要生成新的擬合線段。在圖3中，雖然累積殘差值在樣本時間大約120處超過了Th2，但CUSUM算法檢測到該變化所用的時間大于Tl，所以沒有引起新的擬合操作。2

圖3 改進后的CUSUM算法擬合STFT數(shù)據(jù)流

(3)在CUSUM算法中，閾值Th1和Th2一般是根據(jù)噪聲的振幅來調(diào)整的，但是累積殘差值還是會受到噪聲持續(xù)時間的影響。閾值Th1為

式中med(a)和med(d)分別為一個采樣窗口中STFT數(shù)據(jù)流上所有正常抖動的平均幅值和平均持續(xù)時間。理論上采樣窗口越大越好，但在實際操作中肯定會受到時間和空間上的限制，但是必須大于其中z是Z(Z＝1.96)置信水平，e是許可的誤差。閾值Th2＝φTh1，根據(jù)3σ準則，φ一般設(shè)為3或4。

上述改進既提高了CUSUM算法擬合STFT數(shù)據(jù)流的精度，也降低了其對計算資源的消耗。改進后CUSUM算法的偽代碼如表1所示。

_表1 改進后CUSUM算法的偽代碼

2 數(shù)據(jù)流相關(guān)性

相關(guān)系數(shù)是一種衡量兩個變量之間線性相關(guān)程度的指標，其定義為

圖4(a)所示的是在無故障情況下發(fā)動機轉(zhuǎn)速和進氣量的數(shù)據(jù)流(已做歸一化處理)，用式(5)計算可得兩者的相關(guān)系數(shù)為0.868 4。圖4(b)是漏氣故障發(fā)生時的轉(zhuǎn)速和進氣量數(shù)據(jù)流，對應(yīng)的相關(guān)系數(shù)為－0.097 0。

從圖4可以看到，轉(zhuǎn)速和進氣量數(shù)據(jù)流的局部趨勢會被抖動干擾，所以需要討論抖動對各數(shù)據(jù)流趨勢間相關(guān)性的影響。

定理1.設(shè)兩個數(shù)據(jù)流分別為X＝x′＋n1，Y＝y(tǒng)′＋n2，其中，x′和y′為X與Y的線性擬合線段，n1和n2分別為X與Y上的抖動部分，則有corr(X，Y)< corr(x′，y′)。

證明:

圖4 無故障和漏氣故障狀態(tài)下的轉(zhuǎn)速和進氣量數(shù)據(jù)流

由E(n1)＝E(n2)＝0，可得

E((x′＋n1－E(x′＋n1))(y′＋n2－E(y′＋n2))＝E((x′－E(x′)(y′－E(y′))

又因為Cov(x′，n1)＝0，可得

D(x′＋n1)＝D(x′)＋D(n1)＞D(x′)

同理可得

D(y′＋n2)＞D(y′)

則corr(X，Y)

由定理1可知，發(fā)動機數(shù)據(jù)流上的抖動會弱化變量間的關(guān)聯(lián)性。為了更準確地獲取數(shù)據(jù)流的相關(guān)性，先用CUSUM算法獲取數(shù)據(jù)流的擬合線段，然后再用式(5)計算擬合線段間的相關(guān)系數(shù)，這樣可以有效降低抖動的干擾。圖5所示的是改進后CUSUM算法對圖4中轉(zhuǎn)速和進氣量數(shù)據(jù)流的擬合結(jié)果。

圖5 無故障和漏氣故障狀態(tài)下的轉(zhuǎn)速和進氣量數(shù)據(jù)流CUSUM算法擬合結(jié)果

對轉(zhuǎn)速和進氣量數(shù)據(jù)流的擬合線段進行相關(guān)性計算，得到無故障狀態(tài)下兩者的相關(guān)系數(shù)為0.934 6，漏氣故障狀態(tài)下兩者的相關(guān)系數(shù)為－0.319 7。顯然，基于CUSUM擬合線段的相關(guān)性結(jié)果能更準確地反映發(fā)動機數(shù)據(jù)流之間的相關(guān)性。

3 相關(guān)性估計算法

采用滑動時間窗對發(fā)動機數(shù)據(jù)流進行實時記錄。用矩陣Um×n描述某個時間窗內(nèi)的數(shù)據(jù)流，其中m是時間窗內(nèi)數(shù)據(jù)流樣本點的個數(shù)，n是數(shù)據(jù)流的維數(shù)。對U進行歸一化后，其相關(guān)系數(shù)矩陣等于UTU。

定義統(tǒng)計量

當發(fā)動機發(fā)生故障時，數(shù)據(jù)流的相關(guān)性會發(fā)生明顯改變，使得C值也隨之產(chǎn)生明顯突變，所以需要對數(shù)據(jù)流的相關(guān)性進行實時跟蹤。根據(jù)定義可知計算C值的時間復雜度為O(mn2)，為了降低其計算復雜度，嘗試對C值的計算方法進行改進。

定理2.設(shè)有矩陣Um×n和n維隨機向量

σ＝[σ1，σ2，…，σn]′，其每個分量σj∈{－1，1}兩兩獨立，σ在矩陣U第i行上的投影為

定義隨機變量X

則有E(X)＝C，D(X)≤2C2，其中E(X)和D(X)分別是X的期望與方差。

證明:

由于

且矩陣U的列向量被歸一化為單位向量，則可得

結(jié)合式(7)可得

由于分量σj1，σj2，σl1，σl2中至少存在2個相互獨立的量，即有E(σj1σj2σl1σl2)＝0，則可證:

同理可證:

定理3.令有 P(｜Y－C｜≥λC)≤ε。

證明:對于隨機變量Q，存在切比雪夫不等式:

式中Std(Q)為Q的標準差。

則可證

由定理3可知，在精度允許條件下可以用變量Y去估計數(shù)據(jù)流的相關(guān)性指標C。由上述討論結(jié)果可知計算估計量Y只需要s1m次的加法和乘法以及s2lgs2次的比較運算，其總的時間復雜度為O(m)，明顯小于基于相關(guān)矩陣UTU來計算C值的時間復雜度O(mn2)。

4 故障檢測算法

基于STFT趨勢和數(shù)據(jù)流相關(guān)性分析對汽油機發(fā)動機的空燃比故障進行在線識別。由于STFT數(shù)據(jù)流趨勢的突變會因為閉環(huán)控制或者修正已經(jīng)到達極限位置而逐步恢復到穩(wěn)定狀態(tài)，這在一定程度上會掩蓋故障特征，因此在有效的時間范圍內(nèi)對故障進行分析很有必要。數(shù)據(jù)流的相關(guān)性分析在滑動時間窗上進行。設(shè)At和At＋N為兩個起始時間為t和t＋N的相鄰時間窗(兩個時間窗寬度可以不等)，Yi和Yj分別為時間窗At和At＋N內(nèi)數(shù)據(jù)流的相關(guān)性估計值。若｜Yj－Yi｜大于閾值Th3，則認為At＋N時間窗內(nèi)的數(shù)據(jù)流相關(guān)性發(fā)生了突變。

綜上討論，提出一種融合數(shù)據(jù)流趨勢和相關(guān)性分析的空燃比故障檢測方法(TAC)。該方法根據(jù)STFT趨勢的異常變化來獲取可能存在故障的時間范圍，然后在對應(yīng)的時間窗內(nèi)對數(shù)據(jù)流相關(guān)性的變化情況進行分析，以此來判斷故障是否發(fā)生。TAC算法的運行流程如圖6所示。

圖6 故障檢測流程示意圖

TAC算法的具體執(zhí)行步驟如下。

第一步:使用改進后的CUSUM算法在線擬合發(fā)動機的相關(guān)數(shù)據(jù)流；并使用相關(guān)性估計算法對當前滑動時間窗內(nèi)數(shù)據(jù)流擬合線段的相關(guān)性進行估計(STFT趨勢無異常時時間窗寬度都相同)。

第二步:當STFT數(shù)據(jù)流的趨勢出現(xiàn)異常(擬合線段斜率的絕對值或者相鄰擬合線段之間的斷點差值大于閾值Th4)時，開始記錄此后產(chǎn)生的發(fā)動機數(shù)據(jù)流。

第三步:當STFT數(shù)據(jù)流的趨勢重新恢復平穩(wěn)(擬合線段斜率的絕對值小于閾值Th4)時，停止記錄發(fā)動機數(shù)據(jù)流。

第四步:使用相關(guān)性估計算法獲得所記錄的異常數(shù)據(jù)流的相關(guān)值，并判斷其相關(guān)性較之前一個時窗內(nèi)是否發(fā)生突變，如果兩者差值的絕對值大于閾值Th3，則認為檢測到了空燃比故障。

5 實驗

5.1 實驗環(huán)境

引起發(fā)動機空燃比故障的原因較多，本文中只討論因進氣系統(tǒng)漏氣導致空燃比失衡的情況。正常情況下，發(fā)動機ECU根據(jù)空氣流量傳感器的檢測值來計算噴油量，使空燃比始終穩(wěn)定在理論值附近。而漏氣故障會使實際進入氣缸的空氣質(zhì)量大于空氣流量傳感器檢測到的空氣質(zhì)量，造成空燃比值大于理論值。實驗所用的1.5L Duratec發(fā)動機是自然吸氣式，其常見的漏氣部位有曲軸箱強制通風閥和進氣總管。當發(fā)動機處于怠速和中小負荷工況時，節(jié)氣門后方的真空度較大，所以當位于節(jié)氣門體后方的曲軸箱強制通風閥發(fā)生漏氣時會對空燃比造成明顯影響。而當發(fā)動機在大負荷工況時，位于節(jié)氣門前方的進氣總管內(nèi)的真空度較大，如果發(fā)生漏氣同樣會對空燃比造成影響?？紤]到實驗的安全性和簡便性，人為設(shè)置了曲軸箱強制通風閥漏氣故障(F＿P)和進氣總管漏氣故障(F＿I)。方法是在曲軸箱強制通風閥與進氣歧管相連的軟管和進氣總管上各鉆一個氣孔(孔直徑分別為3和4mm)，在發(fā)動機運行時先用堵頭堵住氣孔，然后在某時刻拔出堵頭即可造成突發(fā)漏氣故障。

從實驗車輛的OBD接口分別采集了發(fā)動機在各種工況下有無漏氣故障時的數(shù)據(jù)流共220組，采樣頻率大約為25Hz，具體如表2所示。

表2 發(fā)動機數(shù)據(jù)流樣本

每一組數(shù)據(jù)流包括轉(zhuǎn)速、負荷、加速踏板位置、節(jié)氣門位置、進氣量、點火提前角和STFT。數(shù)據(jù)流的采集和分析程序均由C語言編寫，運行于MC9S12XS128平臺上，緩存的空間設(shè)為4KB。

5.2 實驗結(jié)果

TAC算法的參數(shù)值設(shè)為:Th3＝3，Th4＝0.15，無故障狀態(tài)下每個滑動時間窗口的寬度為50個樣本點。相關(guān)性估計參數(shù)λ＝2，ε＝0.1。

圖7～圖9所示的是發(fā)動機在2 500r/min無故障工況下TAC算法的運行過程和結(jié)果。從圖7中可以看到，STFT數(shù)據(jù)流的趨勢在區(qū)間A[139，143]和B[144，163]內(nèi)發(fā)生了異常，這意味著在上述區(qū)間內(nèi)有發(fā)生故障的可能，需要進一步分析。圖8所示的是CUSUM算法對相關(guān)數(shù)據(jù)流的擬合結(jié)果，在其基礎(chǔ)上再進行數(shù)據(jù)流相關(guān)性的快速估計，結(jié)果如圖9所示。

圖7 STFT數(shù)據(jù)流趨勢異常(無故障)

圖8 發(fā)動機數(shù)據(jù)流及其CUSUM擬合結(jié)果(無故障)

從圖9可知，異常區(qū)間A和B對應(yīng)第3和第4個時間窗內(nèi)數(shù)據(jù)流的相關(guān)性估計值分別為3.81和3.6，而第2個時間窗的估計值為3.55，這表明數(shù)據(jù)流的相關(guān)性并沒有發(fā)生明顯的變化，這意味著在區(qū)間A和B內(nèi)發(fā)生的STFT數(shù)據(jù)流趨勢異常不是由故障引起的。這與事實是相符的，因為發(fā)動機在中等負荷工作時會間歇性開啟EGR閥來優(yōu)化排放，從而引起空燃比發(fā)生短時間、小幅度的抖動。

圖10～圖12所示的是TAC算法在發(fā)動機處于1 500r/min穩(wěn)定運行時突發(fā)進氣總管漏氣故障時的運行過程和結(jié)果。STFT數(shù)據(jù)流的斜率從樣本時間556開始明顯增加，直到樣本時刻586才恢復平穩(wěn)，如圖10所示。圖11所示的是相關(guān)發(fā)動機數(shù)據(jù)流及其CUSUM的擬合結(jié)果。

圖10 STFT數(shù)據(jù)流趨勢異常(漏氣故障)

圖9 各個時間窗的相關(guān)性估計值(無故障)

在異常區(qū)間[556，586]內(nèi)對數(shù)據(jù)流擬合線段進行相關(guān)性估計的結(jié)果如圖12所示?？梢钥吹?，第11個時間窗的估計值為6.63，而第12個時間窗的相關(guān)性估計值則僅為2.01，兩者差值超過了閾值Th3。由此可知在12個時間窗內(nèi)發(fā)生了空燃比故障。

為了驗證TAC算法的有效性，對其在無故障狀態(tài)下的誤報率和有故障狀態(tài)下的漏報率進行統(tǒng)計，并與基于SVM和3層神經(jīng)網(wǎng)絡(luò)的故障檢測方法進行對比。將各個數(shù)據(jù)流在正常狀態(tài)和故障狀態(tài)下的趨勢值作為SVM和神經(jīng)網(wǎng)絡(luò)的樣本輸入；SVM的核函數(shù)和神經(jīng)網(wǎng)絡(luò)的隱層均采用RBF；SVM和神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)通過遺傳優(yōu)化進行選取，以提高其識別效果。上述3種方法在220組數(shù)據(jù)流樣本上的實驗結(jié)果如表3所示。

圖11 發(fā)動機數(shù)據(jù)流及其CUSUM擬合結(jié)果(漏氣故障)

圖12 各個時間窗的相關(guān)性估計值(漏氣故障)

表3 故障檢測實驗結(jié)果%

可以看到，TAC的誤報率明顯低于SVM和神經(jīng)網(wǎng)絡(luò)，這主要是因為后兩種方法沒有考慮數(shù)據(jù)流的相關(guān)性。而3種方法的漏報率相差不大，這是因為故障發(fā)生時STFT數(shù)據(jù)流的趨勢必定會發(fā)生突變。

6 結(jié)論

本文中提出了一種能夠?qū)ζ蜋C空燃比故障進行實時檢測的TAC算法。該方法使用改進的CUSUM算法對發(fā)動機數(shù)據(jù)流進行趨勢提取，通過降低抖動對擬合過程的影響，提高了CUSUM算法的擬合精度并減少了計算資源消耗。通過獲取擬合線段的斜率變化來監(jiān)控發(fā)動機空燃比是否正常，同時使用相關(guān)性估計算法來快速獲取相關(guān)數(shù)據(jù)流之間的相關(guān)性指標。當STFT數(shù)據(jù)流的趨勢發(fā)生異常時，通過比較相鄰時間窗內(nèi)數(shù)據(jù)流的相關(guān)性估計值來判斷汽油發(fā)動機是否發(fā)生了空燃比故障。在1.5L Duratec發(fā)動機上進行進氣系統(tǒng)的漏氣故障檢測試驗，分別測試了在怠速、急加減速、1 500和2 500r/min穩(wěn)定運行工況下TAC算法對F＿P和F＿I故障的檢測效果。實驗結(jié)果表明該方法比SVM和神經(jīng)網(wǎng)絡(luò)具有更低的誤報率，這對故障檢測系統(tǒng)的實用性具有積極的意義。

[1] Rolf Isermann.Model-based fault-detection and diagnosis-status and applications[J].Annual Reviews in Control，2005，29:71－85.

[2] SALEHI R，et al.Detection and isolation of faults in the exhaust path of turbocharged automotive engines[J].International Journal of Automotive Technology，2015，16:127－138.

[3] 周東華，劉洋，何瀟.閉環(huán)系統(tǒng)故障診斷技術(shù)綜述[J].自動化學報，2013，11(39):1933－1943.

[4] TAYLOR J E，et al.Discerning the operational state of a vehicle’s distributed electronic systems from vehicle network traffic for use as a fault detection and diagnosis tool[J].International Journal of Automotive Technology，2014，15:441－449.

[5] 李海濤，何玉珠，宋平.基于量子萬有引力搜索的SVM自駕故障診斷[J].北京航空航天大學，2016，42(6):1093－1098.

[6] 薄翠梅，柏楊進，楊海榮，等.基于改進的QBC和CS-SVM的故障檢測[J].控制與決策，2012，27(10):1489－1493.

[7] 劉景艷，王福忠，楊占山.基于RBF神經(jīng)網(wǎng)絡(luò)和自適應(yīng)遺傳算法的變壓器故障診斷[J].武漢大學學報(工學版)，2016，49 (1):88－93.

[8] 歐璐，于德介.基于監(jiān)督拉普拉斯分值和主元分析的滾動軸承故障診斷[J].機械工程學報，2014，50(5):88－94.

[9] 胡志勇，牛家驊，郭麗娜，等.基于時域能量劃分和PSO-SVM的發(fā)動機故障診斷[J].汽車工程，2016，38(1):86－90.

[10] 胥永剛，孟志鵬，陸明，等.基于雙樹復小波和奇異差分譜的齒輪故障診斷研究[J].振動與沖擊，2014，33(1):11－15.

[11] Mano Ram Maurya，Praveen K Paritosh，Raghunathan Rengaswamy，et al.A frame work for on-line trend extraction and fault diagnosis [J].Engineering Applications of Artificial Intelligence，2010，23: 950－960.

[12] Mano Ram Mauryaa，Raghunathan Rengaswamyb，Venkat Venkatasubramaniana.Fault diagnosis using dynamic trend analysis: A review and recent developments[J].Article in Engineering Applications of Artificial Intelligence，2007，20(2):133－146.

[13] 劉敏華，蕭德云.基于趨勢分析和SDG模型的故障診斷[J].控制理論與應(yīng)用，2006，23(2):306－310.

[14] 楊元，黎放，劉振宇，等.基于相關(guān)性的系統(tǒng)預防性維修任務(wù)成組優(yōu)化[J].武漢大學學報(工學版)，2012，45(4):539－544.

[15] ROSS-Tech，LLC.Fuel trim info[EB/OL].http://wiki.rosstech.com/wiki/index.php/Fuel＿Trim＿Info.2006－05－08.

[16] Hillol Kargupta，Vasundhara Puttagunta，Martin Klein，et al.Onboard vehicle data stream monitoring using mine fleet and fast resource constrained monitoring of correlation matrices[J].New Generation Computing，2006，25(1):5－32.

[17] KEOGH E，CHAKRABARTI K，PAZZANIM，et al.Dimensionality reduction for fast similarity search in large time series databases[J].Know l Inf Syst，2001，3(3):263－286.

[18] CHARBONNIER S，BECQ G，BIOT L.On line segmentation algorithm for continuously monitored data in Intensive Care Units [J].IEEE Trans.Biomed.Eng，2004，51:484－492.

[19] CHARBONNIER S.On line extraction of temporal episodes from ICU high frequency data:A visual support for signal interpretation [J].Computer Methods and Programs in Biomedicine，2005，78: 115－132.

中國汽車零部件產(chǎn)學研協(xié)同創(chuàng)新論壇暨科技資源共享平臺啟動工作會圓滿結(jié)束

“2017國際汽車關(guān)鍵技術(shù)論壇2017 International Auto Key Tech Forum”產(chǎn)學研分論壇4月21日于上海車展期間成功舉辦，近20所高校汽車院系代表、部分汽車零部件企業(yè)代表和多省市科學技術(shù)協(xié)會代表參加了本次論壇。

本次論壇聚焦產(chǎn)學研協(xié)同創(chuàng)新，整合行業(yè)創(chuàng)新要素，打造科技資源共享平臺，為產(chǎn)業(yè)研發(fā)和創(chuàng)新提供支撐體系，助推零部件企業(yè)轉(zhuǎn)型升級。

A Real-time Fault Detection Method for the Air-fuel Ratio of Gasoline Engine Based on the Trend and Correlation Analysis of Dataflow

Wu Shili1，Tang Zhenmin1＆Chen Chengyong2
1.Department of Science and Engineering，Nanjing University of Science and Technology，Nanjing 210094；2.Nanjing Vocational Institute of Transport Technology-Chang'an Ford Lab，Nanjing 211188

According to the features of air fuel ratio fault in gasoline engine，a real-time fault detection method based on the abnormality of data flow trend and correlation analysis is proposed in this paper.For enhancing accuracy and operation efficiency，modifications are made based on the algorithm of cumulative sum of error，with rapid estimation on the correlation between data flows，to enable the whole system operates on on-board platform relatively sensitive to resources.The results of test on the engine of Chang-an vehicle show that compared with traditional fault detection method based on support vector machine and neural network，the method proposed can obtain better results of fault detection with lower resource consumption.

gasoline engine；air fuel ratio fault；real-time fault detection；data flow trend；CUSUM algorithm；correlation

10.19562/j.chinasae.qcgc.2017.04.015

?國家自然科學基金(61305134)和博士點基金(20133219120035)資助。

原稿收到日期為2016年9月19日。

唐振民，教授，博士生導師，E-mail:tzm.cs＠m(xù)ail.njust.edu.cn。