一种基于数据驱动的汽车三元催化器的故障诊断方法

1.一种基于数据驱动的汽车三元催化器的故障诊断方法，其特征在于：该方法包括以下步骤：
S1：数据获取：采用转鼓实验平台采集汽车尾气数据，通过系统计算得出汽车三元催化器在不同故障情况下的尾气成分数据；
S2：特征提取：对获取的尾气成分数据进行分数阶傅里叶变换(FrFt)变换，将原始数据空间中可分性差的信号映射到各个分数阶域，以基于类内散步矩阵和类间散布矩阵的可分性判据J＝tr{Sb}/tr{Sw}作为适应度函数，运用粒子群算法实现对最优分数阶定位，并对所得的最优阶次的FrFT信号进行分形计算，得到对应的分形维特征；S3：维数简约：采用核熵成分分析(KECA)算法对步骤S2得到的特征进一步降维，得到适用于可视化聚类的分形维故障特征；
S4：聚类分析：采用改进测度的FCM模糊聚类算法对步骤S3得到的分形维故障特征聚类分析，得到故障的分类结果；
S5：故障辨识：基于得到的故障分类结果进行三元催化器故障诊断处理。
2.根据权利要求1所述的一种基于数据驱动的汽车三元催化器的故障诊断方法，其特征在于：所述步骤S2具体包括：
S21：对原始尾气信号在p∈[0,1]内进行分数阶傅里叶变换，其中p为变换的阶次；
S22：初始化粒子群参数，按式J＝tr{Sb}/tr{Sw}计算每个粒子的适应度,按粒子群算法进行迭代计算,最后得到的群体最佳适应度所对应的粒子的位置即为所求p值；
S23：根据所求p值确定出各气体信号对应的最优阶分数阶傅里叶变换Xp(u)；
S24：最后对各故障模式下的Xp(u)进行分形维计算,得到各故障的分形维特征。
3.根据权利要求2所述的一种基于数据驱动的汽车三元催化器的故障诊断方法，其特征在于：在步骤S4中，在欧氏距离和余弦距离测度的基础上提出基于两者的改进的新测度G，定义为：
式中，Gik代表数据点xk到聚类中心ci的距离测度，Sik＝cos∠(xk,ci)且Sik为数据点xk到聚类中心ci的余弦距离测度；Dik＝||xk-ci||且Dik为数据点xk到聚类中心ci的欧式距离。

一种基于数据驱动的汽车三元催化器的故障诊断方法\n技术领域\n[0001] 本发明属于汽车三元催化器故障诊断技术领域，涉及一种基于数据驱动的汽车三元催化器的故障诊断方法，特别是一种FrFt和FCM模糊聚类的三元催化器故障诊断方法。\n背景技术\n[0002] 三元催化器作为一种有效的汽车排气后处理手段，在汽车低污染排放方面发挥着重要作用。但实际运行过程中，三元催化器的化学中毒、过热老化、机械损坏、结焦积炭等病兆，易使其转化效率下降，严重情况下会使催化转化器失效，造成发动机排放急剧恶化。针对这些问题，众多学者对三元催化器进行了大量富有成效的研究，三元催化器的化学反应动力学模型、传热和流体数值分析模型、储放氧模型等众多模型相继被建立。随着对三元催化器功能需求的增加和诊断精度的提高，模型方法中较多的参数和反应过程的嵌入将会使模型过于复杂应用困难。然而通过简化模型来降低复杂度，造成某些潜在的反应过程难以详尽地描述清楚，增加了确定故障发生类型的难度。因此，利用分析模型的方法难以满足越来越严苛的要求。\n[0003] 随着传感技术的发展，现有的技术手段已能对汽车尾气成分的进行准确检测，产生了海量的排放数据。基于数据驱动的故障诊断方法近年来在许多领域得到了广泛的应用。该方法不需要了解系统解析模型的详细情况，通过对采集的信号提取故障特征信息，或是根据海量的采样数据和历史数据就能实现故障诊断。这与利用尾气大数据进行三元催化器故障诊断的思想不谋而合。\n[0004] 综上所述，由于汽车尾气中蕴含着丰富的三元催化器工况信息，不仅为监测汽车排放水平提供直接证据，而且为考察三元催化器的健康状况提供诸多有价值的信息。拓展尾气大数据在汽车检测与故障诊断中的运用，运用模式识别理论，从这些尾气大数据中挖掘整理三元催化器的故障信息，提出故障定位准确、运算快速、物理内存开销小、通用性较好的三元催化器故障诊断方法，以解决当前基于模型的OBD故障诊断技术中模型简化单一，不能有机整合，且通用性较差的问题，符合当前汽车行业的减少有害气体排放的实际需要，对于汽车故障诊断技术的传承与发展、推广与应用有着极为重要的意义。\n发明内容\n[0005] 有鉴于此，本发明的目的在于提供一种基于数据驱动的汽车三元催化器的故障诊断方法，该方法能够有效解决当前基于模型的OBD故障诊断技术中模型简化单一、不能有机整合和通用性较差等问题，符合当前汽车行业减少有害气体排放的实际需要。\n[0006] 为达到上述目的，本发明提供如下技术方案：\n[0007] 一种基于数据驱动的汽车三元催化器的故障诊断方法，该方法包括以下步骤：\n[0008] S1：数据获取：采用转鼓实验平台采集汽车尾气数据，通过系统计算得出汽车三元催化器在不同故障情况下的尾气成分数据(CHO\THC\COL\NOX\HC\CO2等)；\n[0009] S2：特征提取：对获取的尾气成分数据进行FrFt(分数阶傅里叶变换)变换，将原始数据空间中可分性差的信号映射到各个分数阶域，以基于类内类间散布矩阵的可分性判据J＝tr{Sb}/tr{Sw}作为适应度函数，运用粒子群算法实现对最优分数阶定位，并对所得的最优阶次的FrFT信号进行分形计算，得到对应的分形维特征；\n[0010] S3：维数简约：采用KECA(核熵成分分析)算法对步骤S2得到的特征进一步降维，得到适用于可视化聚类的分形维故障特征；\n[0011] S4：聚类分析：采用改进测度的FCM模糊聚类算法对步骤S3得到的分形维故障特征聚类分析，得到故障的分类结果；\n[0012] S5：诊断：基于得到的故障分类结果进行三元催化器故障诊断处理。\n[0013] 进一步，所述步骤S2具体包括：\n[0014] S21：对原始尾气信号在p∈[0,1]内进行分数阶傅里叶变换；\n[0015] S22：初始化粒子群参数，按式J＝tr{Sb}/tr{Sw}计算每个粒子的适应度,按粒子群算法进行迭代计算,最后得到的群体最佳适应度所对应的粒子的位置即为所求p值；\n[0016] S23：根据所求p值确定出各气体信号对应的最优阶分数阶傅里叶变换Xp(u)；\n[0017] S24：最后对各故障模式下的Xp(u)进行分形维计算,得到各故障的分形维特征。\n[0018] 进一步，在步骤S4中，在欧氏距离和余弦距离测度的基础上提出基于两者的改进的新测度G，定义为：\n[0019]\n[0020] 式中，Gik代表数据点xk到聚类中心ci的距离测度，Sik＝cos∠(xk,ci)且Sik为数据点xk到聚类中心ci的余弦距离测度；Dik＝||xk-ci||且Dik为数据点xk到聚类中心ci的欧式距离。\n[0021] 本发明的有益效果在于：\n[0022] 1、本发明所述的诊断方法，不需要复杂的建模，通过三元催化器排出的尾气数据就能快速完成对三元催化器故障的诊断。\n[0023] 2、采用了FrFT-PSO和分形相结合的特征提取方法，这种特征提取方法不但增强了原始特征空间数据集的可分性，还压缩了数据的维数，从而提高分类精度。\n[0024] 3、采用了一种改进测度的FCM聚类方式，能更好的适应数据的形状空间，改善了原始基于欧氏距离的FCM算法只对球形空间有效的状况。\n附图说明\n[0025] 为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：\n[0026] 图1为本发明所述方法的流程示意图；\n[0027] 图2为基于FrFT-PSO和分形的特征提取方法流程图。\n具体实施方式\n[0028] 下面将结合附图，对本发明的优选实施例进行详细的描述。\n[0029] 图1为本发明所述方法的流程示意图，如图所示，本发明提供的基于数据驱动的汽车三元催化器的故障诊断方法具体包括以下步骤：\n[0030] 步骤S01:通过转鼓实验平台获取汽车三元催化器在不同故障情况下的尾气数据。\n[0031] 步骤S02：输入尾气数据。\n[0032] 步骤S03：提取输入尾气数据的故障特征，特征提取流程如图2所示。\n[0033] 具体地，首先将获得的尾气信号进行全阶FrFT变换，对时域信号x(t)的p阶分数阶傅里叶变换可定义为：\n[0034]\n[0035] 式中Kp(t,u)为分数阶傅里叶变换的核函数，表达式\n[0036]\n[0037] 式中，p为变换的阶次，取值范围一般为0～1。\n[0038] 分数阶傅里叶变换后原始数据空间中可分性差的信号映射到各个分数阶域，然后利用粒子群寻优算法确定最优分数阶p值，最后对各故障模式下的最优阶傅里叶变换进行分形分析，得到各信号的分形维特征。\n[0039] 流程如下：\n[0040] 1)对原始尾气信号在p∈[0,1]内进行分数阶傅里叶变换。\n[0041] 2)初始化粒子群参数，按式J＝tr{Sb}/tr{Sw}计算每个粒子的适应度,按粒子群算法进行迭代计算,最后得到的群体最佳适应度所对应的粒子的位置即为所求p值。\n[0042] 3)根据所求p值确定出各气体信号对应的最优阶分数阶傅里叶变换Xp(u)。\n[0043] 4)最后对各故障模式下的Xp(u)进行分形维计算,得到各故障的分形维特征。\n[0044] 步骤S04：采用KECA算法对步骤S03的分形维特征进行降维，获得便于可视化聚类的故障特征。\n[0045] 步骤S05：对步骤S04得到的故障特征进行一种基于改进测度的FCM聚类，并输出聚类结果。\n[0046] 其中改进测度G定义为：\n[0047] 式中，Gik代表数据点xk到聚类中心ci的距离测度，Sik＝cos∠(xk,ci)且Sik为数据点xk到聚类中心ci的余弦距离测度；Dik＝||xk-ci||且Dik为数据点xk到聚类中心ci的欧式距离。\n[0048] 由此，基于改进测度的聚类代价函数定义如下：\n[0049]\n[0050] 式中m为模糊加权参数，控制数据划分过程中的模糊程度，经研究m通常取2。\n[0051] 具体聚类步骤如下：\n[0052] 1)计算聚类中心\n[0053]\n[0054] 2)更新划分矩阵\n[0055]\n[0056] 3)迭代计算\n[0057] ||U(t)-U(t-1)||＜ε\n[0058] 步骤S06：在样本测试时，将基于步骤S01-S04得到的对应特征作为各聚类分类器的输入，输出聚类结果，通过最大贴进度原则进行故障识别，取贴进度最大的结果作为当前测试的故障尾气的识别结果。\n[0059] 最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其做出各种各样的改变，而不偏离本发明权利要求书所限定的范围。