当前位置: 首页> 学位论文 >详情
原文传递 基于虚拟仪器的工程车发动机ECU检测系统
论文题名: 基于虚拟仪器的工程车发动机ECU检测系统
关键词: 工程车发动机;核心控制单元;故障检测;虚拟仪器
摘要: 工程车发动机的核心控制单元(Electronic Control Unit,ECU)负责控制着车辆各部分协调运作,其健康状态直接决定了发动机的工作效率和安全性能。由于受到工作环境恶劣、内部线路复杂等因素的影响,发动机ECU的故障频发。因此,开展ECU故障检测的相关研究对保障车辆运行的安全性具有重要意义。本文以发动机ECU为研究对象,针对现阶段信号发生技术受限于硬件难以实现高精度模拟以及ECU故障难以检测的关键性问题展开研究和讨论,并结合虚拟仪器技术和深度学习技术,开展信号发生器设计和喷油器驱动电路故障诊断方法的研究。本文针对ECU检测所涉及到的两项关键性技术展开如下研究。
  (1)针对现有信号发生器模拟的仿真信号存在精度低、灵活性差等问题,提出了一种基于特征参数的ECU激励信号分段建模方法。该方法根据传感器的基本结构和工作原理,将整体信号划分为若干局部信号,并结合各部分的特征参数采用数学建模的方式对局部信号进行分段模拟。通过采用相同的全局参数,并严格控制各部分之间的比例系数,可以实现多通道信号之间的同步输出和动态调频。基于仿真实验和频谱分析表明,该建模方法模拟的信号保留了原始信号的有效信息。依据皮尔逊相似度理论得出,硬件HBS-6综合检测仪模拟的信号与实际信号的相似度为48%,采用反正弦函数模拟的曲轴缺齿波形信号与实际信号的相似度为68%。而本文提出的分段建模方法产生的仿真信号与实际信号的相似度达到了74%,具有较强的相关性,模拟的信号精度与上述两种方法相比均有所提升。
  (2)针对ECU故障特征不明显、检测困难等问题,提出了一种基于一维卷积神经网络(1D-CNN)的喷油器驱动电路故障诊断方法。通过离线模拟喷油器驱动电路的故障来扩充网络训练的数据集,使用卷积核提取故障波形的特征信息。通过模型对比实验得出,长短期记忆递归神经网络LSTM的平均检测精度为71.78%,门控循环单元GRU的平均检测精度为72.43%,随机森林RF在喷油器各类故障数据集上的平均检测精度为97.20%。而1D-CNN模型方法具有更高的识别精度,在喷油器各类故障数据集上的平均检测精度可以达到97.56%,与上述模型方法相比在该数据集上的平均检测精度都有一定程度的提高。
  (3)根据上述两种方法,本文开发了基于虚拟仪器的工程车发动机ECU检测系统,并完成了ECU综合检测装置原型。该检测系统主要包括ECU激励信号发生器模块和ECU故障检测模块,利用数据采集卡USB3151实现发动机ECU和检测装置之间的数据传输,并且完成一维卷积神经网络相关功能界面的可视化开发。试验表明,该装置原型的信号发生器模块模拟的ECU激励信号能够正常启动并影响ECU的工作,用户可以直观、清晰地展示1D-CNN网络故障检测的结果。
作者: 郑兴建
专业: 计算机技术
导师: 葛永琪;罗应显
授予学位: 硕士
授予学位单位: 宁夏大学
学位年度: 2022
检索历史
应用推荐