陳仁祥,胡超超,孫 健,趙樹(shù)恩,程德新

(1.重慶交通大學(xué) 交通工程應(yīng)用機(jī)器人重慶市工程實(shí)驗(yàn)室， 重慶 400074；2.內(nèi)燃機(jī)可靠性國(guó)家重點(diǎn)實(shí)驗(yàn)室， 山東 濰坊 261061)

0 引言

據(jù)生態(tài)環(huán)境部2021年發(fā)布的《中國(guó)移動(dòng)源環(huán)境管理年報(bào)》[1]：柴油車(chē)NOx和顆粒物(particulate matter,PM)排放量分別占中國(guó)汽車(chē)排放總量的80%和90%以上，其中PM是造成各大城市霧霾、光化學(xué)污染的主要原因。柴油顆粒過(guò)濾器(diesel particulate filters,DPF)作為一種高效去除PM的技術(shù)，已被廣泛應(yīng)用于柴油車(chē)PM排放控制[2]。然而在DPF使用過(guò)程中，常常會(huì)發(fā)生堵塞[3]、破損[4]等故障，因此為保證柴油車(chē)PM排放滿(mǎn)足排放標(biāo)準(zhǔn)限值，對(duì)DPF進(jìn)行及時(shí)地故障診斷至關(guān)重要。

國(guó)內(nèi)外對(duì)DPF的故障診斷方法有：基于專(zhuān)業(yè)傳感器檢測(cè)法和基于車(chē)載傳感器檢測(cè)法。Youssef等[5]通過(guò)煙灰傳感器提供的電阻信號(hào)生成相關(guān)特征，實(shí)現(xiàn)對(duì)DPF過(guò)濾性能的實(shí)時(shí)診斷。Kontses等[6]基于電阻性PM傳感器和DPF等構(gòu)建仿真模型，通過(guò)誤差分析，驗(yàn)證了真實(shí)駕駛條件下DPF故障診斷的可行性。Sappok等[7]利用射頻傳感器對(duì)DPF內(nèi)部狀態(tài)并行地進(jìn)行多項(xiàng)測(cè)量，包括碳載量、灰分、儲(chǔ)氨量等，并且即使在發(fā)動(dòng)機(jī)關(guān)閉狀態(tài)下也能進(jìn)行檢測(cè)與診斷。雖然上述方法能精準(zhǔn)地檢測(cè)PM排放，但只是對(duì)PM超出或低于閾值的檢測(cè)，并不能診斷DPF的具體故障類(lèi)型，并且專(zhuān)業(yè)傳感器需額外投入成本，因此一部分學(xué)者探究了車(chē)載傳感器信號(hào)與DPF故障之間的聯(lián)系。姚廣濤等[8-9]分別通過(guò)DPF前后壓力信號(hào)的譜能量密度比值和DPF出入口溫度信號(hào)的幅值特性、時(shí)延特性與相關(guān)特性來(lái)表征DPF故障狀態(tài)。Liu等[10]驗(yàn)證了DPF前平均排氣壓力和瞬時(shí)排氣壓力的特征頻率幅值作為檢測(cè)DPF堵塞故障特征參數(shù)的可行性。上述研究證實(shí)，DPF前后壓力信號(hào)、溫度信號(hào)等車(chē)載傳感器信號(hào)中蘊(yùn)含著表征DPF故障狀態(tài)的特征參數(shù)，并且所提取的特征參數(shù)用以DPF故障診斷是可行性的。但上述研究人工提取特征參數(shù)過(guò)程繁雜，需依賴(lài)專(zhuān)家經(jīng)驗(yàn)，且計(jì)算特征參數(shù)使用的車(chē)載傳感器信號(hào)種類(lèi)較少，難以充分表征復(fù)雜的DPF故障狀態(tài)。

目前DPF故障診斷多采用車(chē)載自動(dòng)診斷系統(tǒng)(on-board diagnostics,OBD)[11]，但其功能較少、拓展性差，而遠(yuǎn)程監(jiān)測(cè)系統(tǒng)[12]在OBD的功能基礎(chǔ)上還能實(shí)現(xiàn)對(duì)DPF相關(guān)信號(hào)的實(shí)時(shí)監(jiān)測(cè)、歷史回放、統(tǒng)計(jì)報(bào)表等。

針對(duì)上述問(wèn)題，提出基于深度學(xué)習(xí)的DPF故障診斷方法：通過(guò)車(chē)載傳感器采集發(fā)動(dòng)機(jī)轉(zhuǎn)速、DPF壓差等5種信號(hào)數(shù)據(jù)，其中發(fā)動(dòng)機(jī)轉(zhuǎn)速和排氣流量用以表征車(chē)輛行駛工況，DPF壓差和出入口溫度差用以表征DPF故障狀態(tài)，將5種信號(hào)數(shù)據(jù)進(jìn)行數(shù)據(jù)融合后建立樣本數(shù)據(jù)，增強(qiáng)了5種信號(hào)數(shù)據(jù)間的聯(lián)系，便于挖掘不同行駛工況下的DPF故障狀態(tài)；利用深度學(xué)習(xí)特征自提取的優(yōu)勢(shì)，提取車(chē)輛在不同行駛工況下樣本數(shù)據(jù)中壓差或溫差表征的DPF故障特征，規(guī)避了傳統(tǒng)方法中人工提取特征的不足之處；最終實(shí)現(xiàn)DPF四類(lèi)故障狀態(tài)的端到端診斷。同時(shí)為實(shí)現(xiàn)所提方法的工程應(yīng)用，開(kāi)發(fā)了相應(yīng)的服務(wù)器端軟件。

1 深度學(xué)習(xí)網(wǎng)絡(luò)原理

深度學(xué)習(xí)旨在以層次化的信息表達(dá)并結(jié)合海量的訓(xùn)練數(shù)據(jù)，對(duì)更高階本質(zhì)特征的信息提取[13]。對(duì)于車(chē)載傳感器采集的一維信號(hào)數(shù)據(jù)，一維卷積神經(jīng)網(wǎng)絡(luò)(one dimensional convolutional neural networks,1D-CNN)可以有效地提取其中的DPF故障特征。

1.1 一維卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)最早被應(yīng)用于圖像識(shí)別領(lǐng)域，具有局部連接、權(quán)值共享和降采樣等優(yōu)勢(shì)[14]。1D-CNN與CNN的主要區(qū)別在于：輸入的數(shù)據(jù)維度是一維的，相應(yīng)的卷積核也是一維卷積核。但其結(jié)構(gòu)與卷積神經(jīng)網(wǎng)絡(luò)相似，都是由輸入層、卷積層、池化層、全連接層和輸出層組成，其中卷積層和池化層是較為重要的部分。

1) 卷積層

卷積層分為兩步運(yùn)算：卷積和激活。由卷積核與前一層輸出的特征映射完成卷積運(yùn)算，再通過(guò)激活函數(shù)得到本層的特征映射。卷積過(guò)程的表達(dá)式為：

(1)

激活函數(shù)選用線性修正單元(rectified linear unit,ReLU)，因其相比sigmoid函數(shù)計(jì)算量更小且能緩解網(wǎng)絡(luò)過(guò)擬合的發(fā)生。激活過(guò)程的表達(dá)式為：

(2)

2) 池化層

池化層的主要作用是將卷積層輸出的特征映射進(jìn)行降維壓縮以減少參數(shù)量，同時(shí)也具有特征尺度不變性，即降維壓縮時(shí)去除了冗余信息，留下最能表征原始信息的特征。常用的池化方法有平均池化和最大池化，其中，最大值池化可以有效減少卷積層參數(shù)誤差造成估計(jì)均值的偏移，更多的保留紋理信息，故選用最大池化方法。池化層運(yùn)算過(guò)程的表達(dá)式為：

(3)

因此通過(guò)多層的卷積與池化，1D-CNN能夠提取數(shù)據(jù)中隱含的特征完成故障診斷任務(wù)，但存在單輸入的局限性，適用于單輸入的故障診斷任務(wù)。

1.2 特征融合卷積神經(jīng)網(wǎng)絡(luò)

當(dāng)診斷任務(wù)中涉及的樣本類(lèi)型有2種或更多時(shí)，1D-CNN需將多種類(lèi)型的樣本數(shù)據(jù)進(jìn)行拼接才能作為網(wǎng)絡(luò)的輸入，然而簡(jiǎn)單地拼接無(wú)法充分利用每種樣本數(shù)據(jù)中的特征。因此需構(gòu)建可同時(shí)輸入多類(lèi)型樣本數(shù)據(jù)的特征融合卷積神經(jīng)網(wǎng)絡(luò)(feature fusion convolutional neural networks,FF-CNN)，其主要利用1D-CNN對(duì)診斷任務(wù)中涉及的每種樣本數(shù)據(jù)分別提取特征，再將提取到的特征進(jìn)行融合，最后通過(guò)BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)故障診斷，實(shí)現(xiàn)原理如圖1所示。

因此FF-CNN不僅具有1D-CNN的特征提取能力，還能融合多特征實(shí)現(xiàn)故障診斷，適用于多輸入的故障診斷任務(wù)。

圖1 特征融合卷積神經(jīng)網(wǎng)絡(luò)原理

2 基于深度學(xué)習(xí)的DPF故障診斷流程

基于深度學(xué)習(xí)的DPF故障診斷流程如圖2，分為訓(xùn)練階段和診斷階段兩部分。

圖2 基于深度學(xué)習(xí)的DPF故障診斷流程

訓(xùn)練階段步驟如下：

1) 將采集的車(chē)載傳感器信號(hào)數(shù)據(jù)存入數(shù)據(jù)庫(kù)。信號(hào)數(shù)據(jù)共5種：發(fā)動(dòng)機(jī)轉(zhuǎn)速、排氣流量、DPF壓差、DPF入口溫度和DPF出口溫度；

2) 對(duì)信號(hào)數(shù)據(jù)進(jìn)行故障類(lèi)型標(biāo)記。故障類(lèi)型共4種：正常、堵塞、破損和移除；

3) 考慮到車(chē)輛行駛工況對(duì)車(chē)載傳感器信號(hào)數(shù)據(jù)的影響，故需假設(shè)在某段時(shí)間內(nèi)車(chē)輛行駛工況不變，將該段時(shí)間內(nèi)的5種信號(hào)數(shù)據(jù)進(jìn)行數(shù)據(jù)融合得到一組樣本數(shù)據(jù)，其中發(fā)動(dòng)機(jī)轉(zhuǎn)速和排氣流量用以表征車(chē)輛行駛工況，DPF壓差和出入口溫度差用以表征DPF故障狀態(tài)；

4) 選擇適當(dāng)組數(shù)的樣本數(shù)據(jù)構(gòu)建成訓(xùn)練集，設(shè)置合適的超參數(shù)后，即可將訓(xùn)練集送入深度學(xué)習(xí)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練；

5) 通過(guò)循環(huán)迭代與參數(shù)優(yōu)化，網(wǎng)絡(luò)的準(zhǔn)確率曲線和損失曲線最終收斂至準(zhǔn)確率高、損失小，即可得到完成訓(xùn)練的模型。

診斷階段：首先，接收由車(chē)輛發(fā)送的未標(biāo)記的實(shí)時(shí)數(shù)據(jù)；其次，實(shí)時(shí)數(shù)據(jù)經(jīng)數(shù)據(jù)融合后得到測(cè)試數(shù)據(jù)；最后，將測(cè)試數(shù)據(jù)輸入完成訓(xùn)練的模型即可得到故障診斷結(jié)果。

3 基于深度學(xué)習(xí)的DPF故障診斷實(shí)驗(yàn)

3.1 實(shí)驗(yàn)平臺(tái)

實(shí)驗(yàn)平臺(tái)：Win10操作系統(tǒng)；CPU為英特爾 Core i5-10400F @ 2.90 GHz 六核；顯卡為Nvidia GeForce GTX 960(2 GB)；運(yùn)行內(nèi)存16 GB。深度學(xué)習(xí)框架為Python 3.8上的Pytorch 1.8.1。

實(shí)驗(yàn)超參數(shù)設(shè)置：迭代次數(shù)為300次；學(xué)習(xí)率為0.001；批量大小為64；優(yōu)化器選擇為Adam。

3.2 實(shí)驗(yàn)數(shù)據(jù)

利用仿真軟件GT-Power，根據(jù)濰柴某型號(hào)柴油機(jī)后處理系統(tǒng)的臺(tái)架實(shí)驗(yàn)數(shù)據(jù)對(duì)仿真模型進(jìn)行校準(zhǔn)后，得到原始仿真數(shù)據(jù)，包含五種信號(hào)數(shù)據(jù)：發(fā)動(dòng)機(jī)轉(zhuǎn)速、排氣流量、DPF壓差、DPF入口溫度和DPF出口溫度。再參考國(guó)Ⅵ標(biāo)準(zhǔn)[15]，假設(shè)在15 s內(nèi)車(chē)輛行駛工況不變，截取同一15 s時(shí)間段內(nèi)的5種信號(hào)數(shù)據(jù)進(jìn)行數(shù)據(jù)融合得到一組樣本數(shù)據(jù)，采樣頻率為10 Hz，因此樣本數(shù)據(jù)中每種信號(hào)數(shù)據(jù)的長(zhǎng)度為150，具體樣本數(shù)據(jù)信息如表1所示。

故障類(lèi)型正常和堵塞由仿真模型中設(shè)置不同的DPF碳載量進(jìn)行劃分；通過(guò)增加DPF通道數(shù)模擬破損；移除則用空管代替DPF來(lái)模擬。

表1 樣本數(shù)據(jù)信息

在后續(xù)的實(shí)驗(yàn)中樣本類(lèi)型劃分為3種：壓差類(lèi)(P)、溫差類(lèi)(T)和壓差+溫差類(lèi)(P+T)。P融合的信號(hào)數(shù)據(jù)有：發(fā)動(dòng)機(jī)轉(zhuǎn)速、排氣流量和DPF壓差，通過(guò)壓差表征不同車(chē)輛運(yùn)行工況下的DPF故障特征；T融合的信號(hào)數(shù)據(jù)有：發(fā)動(dòng)機(jī)轉(zhuǎn)速、排氣流量、DPF溫差(DPF出口溫度減DPF入口溫度)，通過(guò)溫差表征不同車(chē)輛運(yùn)行工況下的DPF故障特征；P+T融合的則是所有信號(hào)數(shù)據(jù)，通過(guò)壓差和溫差同時(shí)表征不同車(chē)輛運(yùn)行工況下的DPF故障特征。實(shí)驗(yàn)中，所有數(shù)據(jù)按4∶1隨機(jī)劃分為訓(xùn)練集和測(cè)試集。

3.3 實(shí)驗(yàn)網(wǎng)絡(luò)結(jié)構(gòu)

1) 一維卷積神經(jīng)網(wǎng)絡(luò)

考慮到不同卷積層和池化層層數(shù)對(duì)數(shù)據(jù)特征提取的影響，分別構(gòu)建了一層、兩層、三層卷積層和池化層的1D-CNN(三層之后，數(shù)據(jù)長(zhǎng)度過(guò)短，不宜再加層數(shù))，分別命名為1D-CNN1、1D-CNN2和1D-CNN3。

實(shí)驗(yàn)使用仿真數(shù)據(jù)對(duì)3種網(wǎng)絡(luò)進(jìn)行訓(xùn)練與測(cè)試，以樣本類(lèi)型P+T為例，1D-CNN1、1D-CNN2和1D-CNN3的訓(xùn)練準(zhǔn)確率如圖3所示，在150次的迭代過(guò)程中，1D-CNN1的訓(xùn)練準(zhǔn)確率曲線一直位于最下方，效果較差；1D-CNN2的訓(xùn)練準(zhǔn)確率曲線位處居中，準(zhǔn)確率達(dá)90%左右；而1D-CNN3的訓(xùn)練準(zhǔn)確率曲線一直位于最上方，效果最佳。這主要是因?yàn)殡S著卷積層和池化層的增加，1D-CNN對(duì)數(shù)據(jù)中DPF故障特征信息的學(xué)習(xí)能力也在不斷增強(qiáng)。

圖3 不同卷積和池化層數(shù)的訓(xùn)練準(zhǔn)確率曲線

實(shí)驗(yàn)結(jié)果信息記錄于表2，從表中可以看出，隨著卷積和池化層數(shù)的增加，訓(xùn)練耗時(shí)會(huì)有所增加，這是因?yàn)樵黾訉訑?shù)后，網(wǎng)絡(luò)的參數(shù)量也會(huì)相應(yīng)增加，導(dǎo)致網(wǎng)絡(luò)訓(xùn)練時(shí)耗時(shí)增加。雖然1D-CNN3的訓(xùn)練耗時(shí)稍多于其他2個(gè)網(wǎng)絡(luò)，但它的訓(xùn)練準(zhǔn)確率和測(cè)試準(zhǔn)確率最高，分為為95.09%，92.21%，故將1D-CNN3作為FF-CNN中的構(gòu)建特征提取網(wǎng)絡(luò)的參考。(后文中提到的1D-CNN即為本小節(jié)中的1D-CNN3)

表2 不同卷積和池化層數(shù)的實(shí)驗(yàn)結(jié)果

1D-CNN主要由三層卷積與池化層以及兩層全連接層構(gòu)成，當(dāng)輸入樣本類(lèi)型為P+T時(shí)，網(wǎng)絡(luò)具體結(jié)構(gòu)參數(shù)如圖4所示。

圖4 1D-CNN結(jié)構(gòu)

2) 特征融合卷積神經(jīng)網(wǎng)絡(luò)

在DPF故障診斷任務(wù)中有2種樣本類(lèi)型，為充分利用這2種類(lèi)型數(shù)據(jù)中的特征信息，F(xiàn)F-CNN采用1D-CNN分別對(duì)數(shù)據(jù)P和T進(jìn)行特征提取，將提取的特征展平后融合，最后同樣接兩層全連接層以實(shí)現(xiàn)DPF故障診斷，網(wǎng)絡(luò)具體結(jié)構(gòu)參數(shù)如圖5所示。

圖5 FF-CNN結(jié)構(gòu)

3.4 實(shí)驗(yàn)結(jié)果

為探究不同網(wǎng)絡(luò)以及不同樣本類(lèi)型對(duì)DPF故障診斷準(zhǔn)確率的影響，將輸入3種樣本類(lèi)型的1D-CNN與FF-CNN進(jìn)行對(duì)比實(shí)驗(yàn)。同樣使用仿真數(shù)據(jù)分別對(duì)四種網(wǎng)絡(luò)進(jìn)行訓(xùn)練與驗(yàn)證，得到它們的訓(xùn)練準(zhǔn)確率曲線如圖6所示，實(shí)驗(yàn)結(jié)果如表3所示。

圖6 不同樣本類(lèi)型與網(wǎng)絡(luò)的訓(xùn)練準(zhǔn)確率曲線

表3 不同樣本類(lèi)型與網(wǎng)絡(luò)的實(shí)驗(yàn)結(jié)果

從圖6和表3中可以看出，只采用單一樣本類(lèi)型作為模型輸入時(shí)，1D-CNN的訓(xùn)練準(zhǔn)確率和測(cè)試準(zhǔn)確率均較差，尤其是樣本類(lèi)型T，難以區(qū)分四種故障類(lèi)型，樣本類(lèi)型P相對(duì)較好；而采用樣本類(lèi)型P+T時(shí)，訓(xùn)練準(zhǔn)確率和測(cè)試準(zhǔn)確率都有一定的提升，分別達(dá)95.09%和92.21%，說(shuō)明樣本類(lèi)型T雖然作為單一輸入時(shí)效果較差，但對(duì)提升模型的診斷準(zhǔn)確率也起到了作用。再對(duì)比輸入樣本類(lèi)型P+T時(shí)2種網(wǎng)絡(luò)的實(shí)驗(yàn)結(jié)果，1D-CNN訓(xùn)練耗時(shí)較少，訓(xùn)練準(zhǔn)確率和測(cè)試準(zhǔn)確率也較高，而FF-CNN的訓(xùn)練耗時(shí)雖然多了8 s左右，但訓(xùn)練準(zhǔn)確率和測(cè)試準(zhǔn)確率達(dá)到了更高的98.60%和96.15%，是實(shí)驗(yàn)結(jié)果中最好的，說(shuō)明通過(guò)1D-CNN分別提取壓差和溫差特征后進(jìn)行融合得到的特征能夠更好地診斷DPF故障狀態(tài)。

綜上所述，通過(guò)1D-CNN對(duì)每種類(lèi)型數(shù)據(jù)分別提取特征的FF-CNN更適合DPF故障診斷任務(wù)。然而在實(shí)際工程中存在可采集的車(chē)載傳感器信號(hào)數(shù)據(jù)單一的情況，F(xiàn)F-CNN無(wú)法使用，故在后續(xù)的軟件中1D-CNN和FF-CNN均可供選擇。

4 軟件開(kāi)發(fā)及應(yīng)用

為便于后處理系統(tǒng)關(guān)鍵零部件故障診斷和數(shù)據(jù)可視化，設(shè)計(jì)開(kāi)發(fā)了柴油機(jī)后處理系統(tǒng)故障診斷軟件，該軟件以SQL Sever為后臺(tái)數(shù)據(jù)庫(kù)，基于Python語(yǔ)言完成對(duì)深度學(xué)習(xí)網(wǎng)絡(luò)搭建并進(jìn)行封裝，采用C/S架構(gòu)，在VS2019平臺(tái)上運(yùn)用 C#語(yǔ)言開(kāi)發(fā)而成。DPF故障診斷可作為該軟件的功能之一，通過(guò)讀取DPF溫度、壓力傳感器信號(hào)、原排體積流量和發(fā)動(dòng)機(jī)運(yùn)行數(shù)據(jù)等，利用軟件的專(zhuān)業(yè)性和便捷性，實(shí)現(xiàn)對(duì)DPF的狀態(tài)監(jiān)測(cè)與故障診斷。

4.1 軟件總體架構(gòu)

軟件總體上可分為數(shù)據(jù)管理模塊、波形展示模塊、模型訓(xùn)練模塊、故障診斷模塊和輔助管理模塊。所有功模塊都以SQL Server數(shù)據(jù)庫(kù)為數(shù)據(jù)存儲(chǔ)交互介質(zhì)，如圖7所示。

1) 數(shù)據(jù)管理模塊

數(shù)據(jù)管理為該軟件最為常用的功能，包括對(duì)車(chē)載傳感器信號(hào)數(shù)據(jù)的導(dǎo)入、數(shù)據(jù)的預(yù)處理和對(duì)原始數(shù)據(jù)的標(biāo)記以作為訓(xùn)練樣本。

圖7 柴油機(jī)后處理系統(tǒng)故障診斷系統(tǒng)軟件總體架構(gòu)

2) 波形展示模塊

不同數(shù)據(jù)的變化特征對(duì)柴油機(jī)后處理系統(tǒng)故障有著不同的表現(xiàn)形式，因此該軟件設(shè)計(jì)了波形展示模塊，實(shí)現(xiàn)對(duì)原始數(shù)據(jù)庫(kù)和樣本數(shù)據(jù)庫(kù)中數(shù)據(jù)的時(shí)域波形展示。在展示波形的同時(shí)，附有每條數(shù)據(jù)的具體信息，并且可以對(duì)波形上的各個(gè)點(diǎn)實(shí)現(xiàn)讀數(shù)功能以及對(duì)整條數(shù)據(jù)的時(shí)域統(tǒng)計(jì)量匯總。

3) 模型訓(xùn)練模塊

模型訓(xùn)練模塊因其涉及到深度學(xué)習(xí)網(wǎng)絡(luò)模型訓(xùn)練的規(guī)范性，該功能只對(duì)專(zhuān)業(yè)人員開(kāi)放。其中數(shù)據(jù)樣本導(dǎo)入，是將樣本數(shù)據(jù)庫(kù)中的樣本數(shù)據(jù)提取作為故障診斷模型的訓(xùn)練樣本和驗(yàn)證樣本；在選擇模型并設(shè)置超參數(shù)后即可開(kāi)始模型訓(xùn)練，模型訓(xùn)練完成后會(huì)顯示訓(xùn)練過(guò)程信息，訓(xùn)練過(guò)程較為繁瑣，需要不斷對(duì)模型和超參數(shù)等進(jìn)行調(diào)整，待到訓(xùn)練出驗(yàn)證準(zhǔn)確率較高的模型時(shí)，可將該模型進(jìn)行保存，為故障診斷提供可靠的保證。

4) 故障診斷模塊

故障診斷模塊是該軟件最重要的功能，包括實(shí)時(shí)數(shù)據(jù)的導(dǎo)入、故障診斷和診斷信息自動(dòng)保存。故障診斷邏輯如圖8所示，選擇已完成訓(xùn)練的模型后，可以對(duì)實(shí)時(shí)導(dǎo)入的數(shù)據(jù)實(shí)現(xiàn)故障診斷功能。在每次完成診斷后，軟件會(huì)自動(dòng)保存該次診斷信息和結(jié)果，方便管理人員后續(xù)信息查詢(xún)。

5) 輔助管理模塊

出于安全性和可維護(hù)性考慮，該軟件具備輔助管理模塊，包括用戶(hù)管理、數(shù)據(jù)庫(kù)管理。用戶(hù)管理提供用戶(hù)的注冊(cè)和登錄驗(yàn)證功能，用戶(hù)注冊(cè)后需通過(guò)管理員的審核才能使用賬號(hào)，用戶(hù)登錄時(shí)需在數(shù)據(jù)庫(kù)中驗(yàn)證該賬戶(hù)信息。用戶(hù)權(quán)限分為3個(gè)等級(jí)，分別是管理員權(quán)限、專(zhuān)業(yè)權(quán)限和普通權(quán)限。其中用戶(hù)管理功能只有管理員權(quán)限才能使用；模型訓(xùn)練模塊只有專(zhuān)業(yè)權(quán)限才能使用；普通權(quán)限則只能使用除用戶(hù)管理功能和模型訓(xùn)練模塊之外的功能。數(shù)據(jù)庫(kù)管理提供基本的數(shù)據(jù)庫(kù)維護(hù)操作，包括數(shù)據(jù)庫(kù)新建、附加、分離、備份和還原等功能。

圖8 故障診斷流程邏輯框圖

4.2 軟件功能驗(yàn)證及應(yīng)用

所開(kāi)發(fā)軟件的主界面，如圖9所示，分為標(biāo)題欄、菜單欄、數(shù)據(jù)樹(shù)狀表和工作區(qū)4個(gè)區(qū)域。其中，標(biāo)題欄顯示軟件名稱(chēng)“柴油機(jī)后處理系統(tǒng)故障診斷系統(tǒng)”和當(dāng)前工作區(qū)內(nèi)子窗體的名稱(chēng)；菜單欄包括軟件所有功能的操作菜單項(xiàng)；數(shù)據(jù)樹(shù)狀表顯示當(dāng)前數(shù)據(jù)庫(kù)中所有的原始數(shù)據(jù)和樣本數(shù)據(jù)；工作區(qū)用于用戶(hù)可在此區(qū)域操作一系列該軟件的功能。

圖9 軟件主界面

①為驗(yàn)證所開(kāi)發(fā)軟件的DPF故障診斷功能，對(duì)模型訓(xùn)練和故障診斷2個(gè)關(guān)鍵模塊進(jìn)行分析。

1) 模型訓(xùn)練

專(zhuān)業(yè)用戶(hù)在菜單欄中點(diǎn)擊模型訓(xùn)練功能后，軟件工作區(qū)內(nèi)會(huì)呈現(xiàn)出模型訓(xùn)練的工作界面。在開(kāi)始模型訓(xùn)練之前，首先需要選擇訓(xùn)練模型和樣本類(lèi)型；其次導(dǎo)入樣本數(shù)據(jù)，完成導(dǎo)入的樣本數(shù)據(jù)會(huì)在“已選訓(xùn)練樣本：”下方展示；最后，完成設(shè)置模型訓(xùn)練相關(guān)的超參數(shù)后即可開(kāi)始訓(xùn)練。稍等片刻后，會(huì)彈出訓(xùn)練準(zhǔn)確率與損失曲線的窗體，表示訓(xùn)練已經(jīng)完成，同時(shí)在“訓(xùn)練過(guò)程信息：”下方也會(huì)顯示出此次訓(xùn)練過(guò)程的具體信息，如圖10所示。在用戶(hù)訓(xùn)練得到比較滿(mǎn)意的模型后，可對(duì)此次訓(xùn)練完成的模型進(jìn)行保存，作為后續(xù)故障診斷的模型。

圖10 模型訓(xùn)練工作界面

2) 故障診斷

用戶(hù)在菜單欄中點(diǎn)擊故障診斷功能后，軟件工作區(qū)內(nèi)會(huì)呈現(xiàn)出故障診斷的工作界面。首先需要選擇診斷模型類(lèi)型以及相應(yīng)的樣本類(lèi)型和數(shù)據(jù)長(zhǎng)度；然后選擇已訓(xùn)練完成的診斷模型文件和需診斷的數(shù)據(jù)文件(模擬實(shí)時(shí)數(shù)據(jù)的導(dǎo)入)；最后點(diǎn)擊開(kāi)始診斷，會(huì)彈出一個(gè)診斷結(jié)果窗體，并且在“診斷信息”下方也會(huì)顯示診斷結(jié)果，如圖11所示。

5 結(jié)論

1) 車(chē)載傳感器采集的信號(hào)數(shù)據(jù)通過(guò)數(shù)據(jù)融合后劃分為3種樣本類(lèi)型：T、P和T+P，在實(shí)驗(yàn)中作為1D-CNN的輸入，對(duì)比發(fā)現(xiàn)T優(yōu)于P，T+P最優(yōu)，說(shuō)明T和P對(duì)DPF故障診斷準(zhǔn)確率有著不同效果的提升。

2) 提出了基于深度學(xué)習(xí)的DPF故障診斷方法，即通過(guò)深度學(xué)習(xí)網(wǎng)絡(luò)充分學(xué)習(xí)DPF壓差、出入口溫度差、發(fā)動(dòng)機(jī)轉(zhuǎn)速、排氣流量等與DPF故障間的映射關(guān)系，避免了傳統(tǒng)人工提取特征的不足，獲得了DPF故障診斷滿(mǎn)意結(jié)果。

3) 為便于后處理系統(tǒng)關(guān)鍵零部件故障診斷和數(shù)據(jù)可視化，設(shè)計(jì)開(kāi)發(fā)了柴油機(jī)后處理系統(tǒng)故障診斷軟件，將1D-CNN和FF-CNN作為診斷網(wǎng)絡(luò)供用戶(hù)選擇：1D-CNN適用于單輸入的故障診斷任務(wù)，F(xiàn)F-CNN適用于多輸入的故障診斷任務(wù)。本文研究的DPF故障診斷方法為該軟件的一部分功能。