汽车发动机智能化故障诊断模型构建分析

　　摘要

　　汽车作为现代生活必不可少的交通工作,是衡量人们生活质量的重要参数,同时汽车运转的情况,与交通安全、甚至与生命息息相关.发动机作为汽车运行的"心脏",是汽车运转的核心部件,同时也是汽车故障原因的主要来源,基于某合资品牌的某款车为例,在质量方面无论在短占用期还是全三包周期,维修和索赔数据在行业中处于上游水平,但是每年与发动机相关的三包花费需要一千多万人民币,三包花费占整车三包花费的 70%,发动机维修比例占整车维修比例的 60%,并且专业汽车质量调研机构数据显示,有 20%的客户对发动机的燃油经济性、噪音和抖动、维护成本较高产生了抱怨.现阶段,汽车企业的竞争是产品和服务的竞争,汽车故障诊断水平直接影响汽车企业的质量及服务水平,与企业发展、形象紧密相连.随着科技的进步,人工智能,云计算、大数据、移动网络等技术的兴起,为汽车发动机故障诊断带来新的发展思路,智能化的故障诊断将提高诊断的准确性、可靠性、及时性.因此,针对汽车发动机建立一个智能化的故障诊断模型对车辆安全,汽车企业的发展均有重要意义.

　　本文致力于研究基于人工智能的汽油发动机故障诊断模型.针对单一智能诊断方法的局限性,引入自动化信息化处理技术-多信息融合技术,选择符合融合模型各层的智能化算法,将信息进行组合优化,为精准挖掘发动机故障原因奠定基础.本文首先,总结、归纳、分析故障征兆与故障原因的对应关系;其次,分析多信息融合技术应用于发动机故障诊断的可行性;最后,运用人工智能技术精准刻画数据层,特征层,决策层多信息融合的诊断模型,构建基于人工智能的汽油发动机故障诊断模型.该模型包含数据层、特征层、决策层.其中釆用能处理非线性问题、有自学习能力和容错能力、可快速做出故障分类的 RBF 神经网络,构建数据层的融合故障诊断模型;利用适合于小样本决策、具有较强泛化能力的支持向量机 SVM 算法,构建特征层的融合故障诊断模型;利用在表达不确定性问题方面更有优势的 D_S 证据理论,构建决策层的融合故障诊断模型,选取数据层或特征层的融合故障诊断结果作为证据体,选取相应的可信度函数,一定程度上改善汽油发动机故障诊断的精度.

　　最后,根据本实验用发动机各传感器特性,设计开发模拟装置,以模拟发动机在实际运行过程中出现的故障,获取汽油发动机实时状态数据,并对基于人工智能的汽油发动机故障诊断模型展开数据层,特征层,决策层的融合诊断测试,实验验证了该故障诊断模型的精度及时效性.

　　关键词:故障诊断,多信息融合,神经网络,支持向量机,证据理论

　　Abstract:As an indispensable traffic work in modern life, automobile improves people's qualityof life. Meanwhile, automobile operation is closely related to traffic safety and even life. Asthe "heart" of automobile operation, engine is the core component of automobile operationand the main source of automobile failure, Based on a joint brand as an example, whether ina short occupation or all warranty of period, repair and claim data at the upper level in theindustry, but each year warranty of cost associated with the engine needs more 10 millionRMB, The warranty of cost account for 70% of totally cost, proportion accounts for 60% ofthe proportion of the whole vehicle maintenance, maintenance and professional automotivequality research data show that 20% of customers on the fuel economy, engine noise &vibration and about high maintenance costs. At the present stage, the competition ofautomobile enterprises is the competition of products and services. The level of automobilefault diagnosis directly affects the quality and service level of vehicles and is closelyconnected with the development of enterprises. Often the repair shop USES the maintenancepersonnel and some detection equipment to carry on the vehicle fault diagnosis, but becauseof the maintenance personnel's technical level, causes the fault diagnosis time and the qualityto be uneven, the breakdown diagnosis consumes the manpower and the material resourcesto be far larger than the maintenance link. With the progress of science and technology, therise of artificial intelligence, cloud computing, big data, mobile network and othertechnologies has brought new development ideas for automobile engine fault diagnosis.Intelligent fault diagnosis will improve the accuracy, reliability and timeliness of diagnosis.Therefore, the establishment of an intelligent fault diagnosis model for automobile engines isof great significance to vehicle safety and the development of automobile enterprises.

　　This paper focuses on the fault diagnosis of gasoline engine based on artificialintelligence. Aiming at the limitation of single intelligent diagnosis method, the automaticinformation processing technology -- multi-information fusion technology is introduced tomake full use of data information from different aspects and optimize the combination ofinformation, so as to dig out more and more effective fault information. Summarize,summarize and analyze the corresponding relationship between fault symptoms and faultphenomena, and use artificial intelligence technology to accurately depict the multi-information fusion diagnosis model of data layer, feature layer and decision layer. Thispaper designs a multi-information fusion vehicle fault diagnosis model, which includes datalayer, feature layer and decision layer. Among them, the method can deal with nonlinearproblems, have self-learning ability and fault tolerance ability, and can quickly make faultclassification neural network to construct fusion diagnosis model of data layer. Supportvector machine (SVM) algorithm, which is suitable for small sample wood decision makingand has strong generalization ability, is used to construct the fusion diagnosis model offeature layer. The fusion diagnosis model of decision layer is constructed by using theevidence theory which is more advantageous in expressing uncertain problems, and thefusion results of data layer and feature layer are used as evidence to further improve theaccuracy of fault diagnosis.

　　Finally, based on the characteristics of this experiment with engine each sensor designand develop analog device, to simulate the engine the problems in the process of actualoperation, to get petrol engine data real time status, and the model of gasoline engine faultdiagnosis based on artificial intelligence data layer, feature layer, decision-making fusion ofdiagnostic tests, the fault diagnosis model is verified by the experiments, accuracy andtimeliness.

　　Keywords:Fault diagnosis, Multi - information fusion, Neural network, Support vector machine,Evidence theory

　　目 录

　　第 1 章 绪论........................................................................................................1

　　1.1 课题背景及研究意义.............................................................................. 1

　　1.1.1 课题背景.............................................................................................1

　　1.1.2 研究意义.............................................................................................2

　　1.2 国内外研究现状.......................................................................................3

　　1.2.1 国外研究现状.....................................................................................4

　　1.2.2 国内研究现状.....................................................................................5

　　1.3 研究内容与结构.......................................................................................5

　　1.3.1 研究主要内容.....................................................................................5

　　1.3.2 论文结构.............................................................................................6

　　第 2 章 发动机故障分析与人工智能............................................................... 7

　　2.1 汽油发动机故障诊断.............................................................................. 7

　　2.1.1 汽油发动机及常见故障概述............................................................ 7

　　2.1.2 汽油发动机典型的故障征兆............................................................ 7

　　2.1.3 汽油发动机故障诊断方法.............................................................. 10

　　2.2 多信息融合技术基础理论.................................................................... 11

　　2.3 人工智能基本理论与方法.................................................................... 13

　　2.3.1 RBF 神经网络基本理论及方法......................................................13

　　2.3.2 SVM 支持向量机基本理论及方法................................................ 14

　　2.3.3 D-S 证据理论基本理论及方法.......................................................16

　　2.4 本章小结.................................................................................................16

　　第 3 章 构建基于人工智能汽油发动机故障诊断模型................................17

　　3.1 汽油发动机系统常见故障的诊断........................................................ 17

　　3.2 多信息融合诊断方法研究.................................................................... 20

　　3.2.1 可行性分析.......................................................................................20

　　3.2.2 构建多信息融合的故障诊断模型.................................................. 22

　　3.3 基于 RBF 神经网络的数据层故障诊断.............................................. 23

　　3.3.1 RBF 数据层故障诊断模型..............................................................23

　　3.3.2 与模型相关算法-K-means 聚类算法............................................. 24

　　3.4 基于支持向量机的特征层故障诊断.................................................... 25

　　3.4.1 SVM 特征层故障诊断模型.............................................................25

　　3.4.2 与模型相关算法-主成分分析.........................................................27

　　3.5 基于 D_S 证据理论的决策层故障诊断...............................................30

　　3.5.1 D_S 决策层故障诊断模型.............................................................. 30

　　3.5.2 决策层融合诊断.............................................................................. 32

　　3.6 本章小结.................................................................................................34

　　第 4 章 实验与结果分析..................................................................................35

　　4.1 实验环境准备.........................................................................................35

　　4.2 数据层的故障诊断测试及分析............................................................ 38

　　4.3 特征层的故障诊断测试及分析............................................................ 40

　　4.4 决策层的故障诊断测试及分析............................................................ 42

　　4.5 本章小结.................................................................................................46

　　第 5 章 总结与展望..........................................................................................47

　　5.1 论文总结.................................................................................................47

　　5.2 下一步工作.............................................................................................47

　　参考文献.............................................................................................................49

　　致谢..................................................................................................................... 55

　　第 1 章 绪论

　　1.1 课题背景及研究意义

　　1.1.1 课题背景

　　本文依托长安福特汽车有限公司提供车辆故障诊断服务时客户的诉求,设计研究基于人工智能的智能化汽油发动机故障诊断模型,旨在提升公司故障诊断水平,加快问题解决速度,降低三包花费,提升客户满意.

　　汽车作为现代生活必不可少的交通工作,是衡量人们生活质量的重要参数,同时汽车运转的情况,与交通安全、甚至是生命息息相关[1].发动机是现代汽车的核心部分,其内零部件众多,并与液路、电路等车辆重要组成部分相结合组成结构纷繁复杂[2],各个零件的材料组成种类繁多,再加之零件生产工艺的复杂,供应商过程能力的不稳定,零件和系统设计的不稳健,设计和过程耐久测试的不充分等众多因素导致了发动机系统的故障率频发,所以快速、正确、有效的做出故障诊断,对于每个汽车制造公司尤为重要.

　　中国的汽车产业出现了 28 年以来的首次销量下滑,目前中美贸易战、中国经济增速的下降、国六等因素对汽车行业产生了较大的影响,当前伴随着计算机、互联网、新媒体等高端科技,推动着人工智能、自动化信息技术等前沿科技的飞速发展[3],新型故障诊断技术也实现了跳跃式发展,通过人工智能的应用,快速整合车辆信息,分析判断车辆性能,准确进行发动机故障诊断,提出合理化建议,并能实时监测,快速预警[4].因此汽车的安全检测机制也因人工智能的发展有了很大的转变,"定期检测、强制维护、视情修理"制度已代替了原始的"定期保养、计划维护"制度,诊断方式已告别老旧的单纯经验性诊断,而逐渐转型为经验与人工智能相结合[5],或车载自诊断系统应用模式.随着发动机技术的发展,消费者可选择的产品更广泛,人们对车辆的舒适性,燃油经济性,驾驶乐趣都有了更高的要求,机体结构也愈发复杂,故障发生率也因此有所提升,致使发现故障难度进一步加大,"烟雾弹"、"合并症"、故障原因耦合等现象频发[6,7].对于发动机故障诊断可粗略总结以下几个方面:

　　(1)高速、郊区等特殊地域、环境的故障车辆因特殊条件下的困难很多,特别是救援方式和设备方面,导致不能高效、迅速解决车辆故障;

　　(2)市场上大多汽车厂商为打造品牌,花大力气自主研发高新技术,突出特色,但也使社会上各种产品五花八门,如若出现故障,给故障诊断及维修带来很大困难[8],即使搜寻大量产品资料也无法做到故障诊断的权威化、结构化、统一化;

　　(3)各汽车厂商没有统一的故障诊断标准,杂乱无章无法实现诊断专业化、结构化、统一化;

　　(4)市场上各种类型车辆繁多,汽修企业无法对市面上全部技术资料进行掌握,且诊断资源有限,维修人员技术与现阶段市场不匹配、培训不及时,新兴技术知识匮乏,处突能力有限[9].

　　(5)各种加装改装车辆象限普遍,而加装改装行业零件质量无法保证,水平参差不齐,易对原车造成损害,加大诊断难度.

　　所以,应用人工智能技术对故障发动机所存在的各种隐患进行快速、精准的分析,补充现阶段维修领域存在的种种不足,立足现有技术经验,节约维修成本,减少维修时间,并能够对发动机进行 24 小时全天候续航监测,无论是对整车的安全性、稳定性,以及车主体验,还是对社会效益附加值的提升,都有重大的现实意义.

　　1.1.2 研究意义

　　汽车已经成为当今人们生活的必须品,一旦发动机出现故障,如果无法提早发现、及时处理、精准检修会给消费者带来较大的困扰,甚至对生命财产安全产生威胁,对汽车企业的客户满意度和口碑带来极大的影响,甚至需要通过市场行动和召回来保护消费者同时需要花费巨额的金钱进行挽救.可见,对故障发动机及时预警、快速处理、精准诊断、及时检修是保证车辆正常工作,护航人们出行安全的重要基础[10].

　　局部而言:对我国汽修领域技术水平的提高影响深远.对于汽车维修企业来说,将大量资料整合,经验理论数据化、故障信息多元化、人员培训常态化进而达到提升我国汽修领域的整体水平.

　　整体而言:交通运输业因此蓬勃发展.汽车是交通运输业的重要组成部分,具有灵活机动,地域适应性强,分布广,运输量大等特点.通过人工智能诊断系统快速、精准的诊断发动机故障,高效排除故障,让汽车的运行性能达到最佳.很多以前没有发生的新问题,或肉眼无法察觉的隐匿性隐患,随时威胁着交通安全,通过应用故障诊断系统,定期保养,实时监测,优化汽车性能,合理稳定护航,防患于未然,实现交通运输业的健康发展.

　　1.2 国内外研究现状

　　故障检测发展历程如图 1.1 所示.

　　其中第一阶段,人工检验阶段,针对 20 世纪 50 年代汽车结构相对单一,通过有经验技师完成排查车辆故障原因[11];第二阶段,应用故障诊断仪器辅助人工检测,完成车辆故障诊断,在一定程度上降低了对检测人员技术要求;第三阶段,专业器材设备诊断,根据可疑隐患利用专业故障诊断器材,对目标车辆发动机全面检查,逐一排除可疑原因,查找隐患,信息整合,连接计算机将收录信息整理分析,做出故障诊断;第四,智能诊断阶段,应用智能机器运算、以及智能化数据库,发挥人工智能优势,将先进的计算机技术、仪器、专家系统等优势整合,与发动机连接,锻造新型车载故障诊断专家系统[12],提高安全系数,提升用户体验.使车载故障体验更加高效化、安全化、智能化.可见,自动化、智能化对于新时代汽车领域的发展起到了关键性的作用[13],并带动附属领域也也有质的提升.

　　随着科技的发展,越来越多的故障诊断方法被发现,也被相关人员收集、测试和研究,上世纪 80 年代,各领域都向着信息化、智能化快速前进,故障诊断技术也随着这个浪潮有了质的飞跃[14],90 年代中后期,逐渐出现了智能技术,研发出了微电子技术、感知技术等,也包括传感器技术以及计算机技术等,利用多种新兴技术的复杂融合建立综合分析诊断系统[15,16],将汽车自检、运行状态分析、实时监测、参数存储及输出完美融合.

　　1.2.1 国外研究现状

　　早在 1950 年,工业化发达国家就已经开始生产单项检测设备和性能调试设备,为发动机进行故障诊断及调试[17].在 1960 年以后,由于需求增加,汽车数量的增多,各地出现了一些简易的汽车检修、检测站,应用较为专业的设备,解决汽车常见的问题.伴随着经济的发展,汽车工业的发展尤为显着,老旧的修车工艺,特别是传统人工经验诊断已满足不了当时的发展需求[18].一些发达国家则借鉴其他领域比较成熟的机械诊断、修理技术,运用于汽车故障排查.1970 年后开发出了自动化检测控制、数据采集及分析、结果打印等功能于一身的检测技术,并对特定车辆的多项功能进行车外诊断[19];在 1978 年,Donald[20]就借鉴了军工行业经验,在军用汽车发动机上应用了故障诊断专家系统,获取了大量数据.作为汽车心脏,发动机故障率很高,所以研究发动机故障诊断一时成为热门课题.更多的电控系统技术被应用于汽车故障排查,故障诊断技术发展更加精细化复杂化[22].1980 年后,发达国家将先进的随车诊断系统推上历史舞台,很多汽车厂商为产品安装了故障自诊断功能,而此时故障诊断专家系统作为先进的车外诊断工具被广泛应用.Marko[21]应用神经网络超强特性进行发动机故障诊断和汽车控制系统,人们发现神经网络容错性能强,容储量大,学习性能好,具有超强的非线性映射特性,对于潜在故障可快速发现、快速分类、快速诊断.在 1989 年美国 Venkat[23]等人,研究设计将神经网络应用在车辆故障诊断中,使得车辆诊断更加智能化,相比于传统的诊断方式,智能化故障诊断速度更快,且能够在线诊断的优点,实验分析证明了将神经网络应用于故障诊断中的可行性.Sharkv[24]对发动机进行了大量研究以及故障性实验,提出多神经网络这一诊断策略,诊断功能更加强大,远远优于单一策略专家系统诊断 20 世纪 90 年代初期,多神经网络诊断进一步发展,汽车故障诊断专家系统向多模型、多知识诊断方向发展[26] ,研究对象更加广泛,普及到更多的汽车系统中.Brennan[28]通过研究状态监控等技术,升级了故障诊断系统,开发出了汽车悬架单元技术.Staszewski[29]利用神经网络模式,以及通过特定识别进行特殊振动信号提取让人们对汽车变速箱故障有了全新的认识.汽车制动系集成诊断系统是 M L.Smith 为Eaton 公司开发的应用于制动系统诊断的又一新技术,与事实数据进行规则的整合后.将事实数据与虚拟的诊断输入信息进行神经网络交互式推理,使故障诊断更加完善.

　　从 1985 年开始,机器学习等自动化诊断技术在国外汽车故障诊断中得以应用.其中 TEST 专家系统由福特公司研发,Rulemaster 专家系统是由法国雷诺公司公布于世.进入 21 世纪,伴随着云计算,大数据,神经网络等新兴技术的兴起,国外汽车故障诊断技术不断向"自动化,智能化"方向发展,极大的推动了提高故障诊断技术与发展.

　　1.2.2 国内研究现状

　　我国从 20 世纪中后期开始将目光转到汽车故障诊断领域发展上的,技术水平相对滞后.1977 年我国汽车故障诊断与检测技术迈上了一个新台阶,"汽车不解体检验技术"成为汽修领域第一个国家研究课题,用以赶超国外汽车维修诊断技术,适应我国经济发展[31].顺应时代潮流、经济发展,我国汽车产业蓬勃发展,保有量逐年上升,汽车发动机安全隐患问题凸显,汽车故障诊断技术以及相关仪器纷纷面市,部分自主研发技术也达到了较高水平[32].文献[33] 朱显辉利用故障树模型诊断故障率较高的元件,通过灰色算法将小样本数据应用到设备可靠性计算之中,收集大量可靠性数据,提高了汽车电机故障预测能力.文献[34]郑小军提出了层次诊断原理理念,进一步完善了复杂系统诊断,整合梳理了汽车诊断专家系统,并进行了相关探讨.虽然专家系统逐渐优化,表现出一定优势,对于汽车故障诊断方面优势凸显,但仍存在很多不足,包括知识容量的储备、获取较困难,自主学习的匮乏阻碍了专家诊断系统发展的脚步.

　　研究表明,当今汽车故障的诊断已改变原有相互独立的随车诊断和车外诊断模式,逐渐过渡到相互融合、相互促进、共同发展的新局面[35].整合电控系统检测仪与专家系统的优势,既得到了完善的数据通信功能,又拥有了强大的分析判断能力,探索出人工智能智能化发动机故障诊断,已成为发动机故障诊断发展方向.伴随汽车工业的创造性、跳跃式发展,智能化技术的不断进步,我国汽油发动机故障诊断研究将围绕以下几个方面发展:

　　(1)立足现有在经验性判断基础上进行多技术融合,合理布局,整合优化,力争快速准确定位车辆故障诊断原因.

　　(2)降低现有故障诊断复杂程序,降低门槛,通俗易懂,补足非专业人士无法应用的短板,快速有效的确定故障原因.

　　(3)通过人工智能与互联网技术,自动对汽车实行技术检测,全天候护航使汽车的运行状态无断点反馈,提前预警,做到快速、有效的处理,避免事故发生[36].

　　1.3 研究内容与结构

　　1.3.1 研究主要内容

　　本文主要研究内容包含:

　　(1)根据当前汽车故障诊断技术存在的问题,在大量阅读发动机故障诊断资料的基础上,结合笔者工作经验及汽车市场需求,重点研究汽油发动机故障诊断领域发展和现状,以多信息融合为切入点,提出将多信息融合技术及智能诊断技术有机结合应用于发动机故障诊断领域,以便构建基于人工智能的汽油发动机诊断模型.

　　(2)归纳总结发动机的典型故障征兆,将故障类型及故障征兆进行有效比对.

　　(3)利用人工智能相关技术,针对多信息融合诊断的特点,釆用能处理非线性问题,有自学习能力和容错能力,可快速做出故障分类神经网络构建数据层的融合诊断模型;利用适合于小样本决策的支持向量机的故障分类算法,构建特征层的融合诊断模型;利用在表达不确定性问题方面更具有优势的证据理论来构建决策层的融合诊断模型,并对各模块进行说明.

　　(4)根据本实验用发动机各传感器特性,设计开发模拟装置,以模拟发动机在实际运行过程中出现的故障,获取辆实时状态数据,并对汽油发动机故障融合诊断模型进行了各层次融合诊断,验证了该诊断模型的时效性.

　　…………由于本文篇幅较长,部分内容省略,详细全文见文末附件

　　第 5 章 总结与展望

　　5.1 论文总结

　　主要的研究结论有下面几个方面:

　　(1)研究人工智能相关技术,分析比较无监督学习的 K-means 算法、主成分分析法PCA,有监督学习的支持向量机算法、神经网络,贝叶斯网络等技术.

　　(2)多信息融合技术与故障诊断的融合的可行性.研究比较神经网络与支持向量机适用的场景,比较 BP 与 RBF,SVM 与 SVM+PCA 等技术.选择最适合多信息融合模型各个层次的技术,为汽油发动机智能化故障诊断奠定良好基础.

　　(3)构建基于人工智能汽油发动机故障诊断模型,并引入多信息融合思想,诊断模型分别数据层、特征层、决策层.其中釆用能处理非线性问题,有自学习能力和容错能力,可快速做出故障分类神经网络构建数据层的融合诊断模型;利用适合于小样本决策,具有较强泛化能力的支持向量机算法,构建特征层的融合诊断模型;利用在表达不确定性问题方面更具有优势的证据理论来构建决策层的融合诊断模型,利用数据层和特征层的融合结果作为证据,进一步提升了故障诊断的精度.

　　5.2 下一步工作

　　基于神经网络的数据层融合诊断、基于 SVM 的特征层融合诊断的算法空间复杂度较高,希望通过对算法的改进,降低算法空间及时间复杂度.如何利用智能化算法应用于发动机故障诊断中,必然是未来研究方向.

　　基于证据理论的决策层融合诊断中的证据体可以是数据层或特征层的输出结果,虽然可以对训练样本进行二次验证故障原因的优势,但训练样本的质量和数量受到发动机型号多样,结构复杂的制约,下一步可以完善训练样本的收取及整理上.
　　参考文献
　　[1] 冯汉喜. 汽车故障诊断技术的现状分析[J]. 山东工业技术, 2017(17): 223.
　　[2] 韩力群. 人工神经网络的理论、设计及应用[M]. 北京: 化学工业出版社, 2002.
　　[3] 马锐. 人工神经网络原理[M]. 北京: 机械工业出版社, 2010.
　　[4] 高隽. 人工神经网络原理及仿真实例[M]. 北京: 机械工业出版社, 2003.
　　[5] 韩彦明. 简析汽车故障诊断技术的现状与发展趋势[J]. 汽车与驾驶维修(维修版), 2017(5): 74-75.
　　[6] 陈朝阳, 张代胜, 任佩红. 汽车故障诊断专家系统的现状与发展趋势[J]. 机械工程学报. 2003, 39(11): 1-6.
　　[7] 陈晶. 汽车电控发动机人工智能故障诊断系统的研究[J]. 现代工业经济和信息化, 2016, 6(11): 100-104.
　　[8] 赵春. 国内汽车诊断技术发展趋势的分析研究[J]. 张家口职业技术学院学报.2009, 22(4): 60-61.
　　[9] 林志强. 汽车发动机故障诊断技术研究现状与趋势分析[J]. 黑龙江交通科技.2011, 10 (6): 197-197.
　　[10] 赵海明. 试验样车远程诊断监控系统的设计与开发. 上海交通大学, 2011.
　　[11] 李国勇. 电控汽油机智能控制策略及故障诊断的研究. 山西: 太原理工大学,2007.
　　[12] 赵英勋. 汽车诊断技术的发展与对策. 汽车研究与开发, 2004(5): 38-41.
　　[13] 彭剑, 叶枫, 辛兢泽. 汽车远程监控诊断系统的功能设计和应用研究[J]. 上海汽车, 2011(03): 24-29.
　　[14] 王远航, 邓超, 吴军, 等. 基于混合型专家系统的重型机床故障诊断m. 计算机集成制造系统, 2010, 16(10): 2139-2147.
　　[15] 胡杰. 基于BP神经网络的汽油机失火故障诊断方法的研究[J]. 汽车工程,2011, 33(02): 101-105.
　　[16] 乔新勇, 刘建敏, 张小明. 基于神经网络信息融合的发动机失火故障诊断内燃机工程. 2009, 30(01): 74-79.
　　[17] 李威威 智能车载故障诊断系统的关键技术研究. [硕士学位论文]. 天津. 天津工业大学, 2017.
　　[18] Darwiche A. Bayesian network[J]. Communication ACM, 2010, 53(12): 80-90.
　　[19] Khalil M. An expert system to evaluate the wear between cylinder kit partsfor the vehicle engine, 400 commonwealth Drive, Warrendale, PA15096-0001,United States, 2010[C] SAE International, 2010.
　　[20] Donald S Sama. Diagnostic equipment development for military-vehicleapplication. SAE Paper 780029.
　　[21] Marko K A, James J V, Feldkamp TM, etal. Automotive diagnostics usingtrainable classifier: statistical testing and paradigm selection. In:Proc. of IJCNN, 1990.
　　[22] Wu J. Huang C, Chang Y, et al. Fault diagnosis for internal combustionengines using intake manifold pressure and artificial neural network[J],Expert System with Applications, 2010, 37(2): 949-958.
　　[23] Venkat V King C A neural network methodology for process fault diagnosisJournal of AICHE, 1989, 35(12): 1993-2002.
　　[24] Sharkey A J C, Sharkey N E, Chandroth G O. Diverse neural net solutionsto a fault diagnosis problem. Neural Computing&Applications, 1996(4):218-227.
　　[25] Sharkey AJC. On combining artificial neural nets connection science, 1996,8(3/4): 299-314.
　　[26] Gopinath O C. A neural net solution for diesel engine fault diagnosis:[MS Dissertation]. Shef-field: University of Sheffield, 1994.
　　[27] Sharkey A J C, Sharkey N E, Chandroth G O. Diverse neural net solutionsto a fault diagnosis problem. Neural Computing&Applications, 1996(4):218-227.
　　[28] Brennan T Hamilton, Yi Lu. Diagnosis of automobile failures using fuzzylogic. In: The Eighth International Conference on Industrial andEngineering Applications of Artificial Intelligence and Expert Systems,Melbourne, Australia, 1995.
　　[29] Staszewski W J. Worden K. Classification of faults in gear-boxes:preprocessing algorithms and neural networks. Neural Computing &Applications, 1997(5): 160-183.
　　[30] 赖祥生. 基于神经网络的发动机故障诊断分析[J]. 重庆工商大学学报(自然科学版). 2008, 25(5): 533-536.
　　[31] 赵建喆, 李凯. 一种改进的多模块贝叶斯网络局部推理算法[J]. 东北大学学报(自然科学版), 2015, 36(09): 1251-1255.
　　[32] 王鸿斌, 张立毅. 新型神经网络的发展及其应用[J]. 忻州师范学院学报. 2007,23(2): 50-53.
　　[33] 朱显辉, 崔淑梅, 闵远亮. 电动汽车电机故障时间的粒子群优化灰色预测[J].高电压技术, 2012, 38(06): 1391-1396.
　　[34] 郑小军, 杨叔子汽车发动机诊断专家系统自动化学报, 1990: 16(05): 393-399.
　　[35] 杨卫民. 决策树归纳分类模型在《军事交通运输之车辆管理》系统中的应用. [硕士学位论文]. 电子科技大学, 2003.
　　[36] 张蕾, 张文明, 基于优化的模糊系统在故障诊断中的应用研究[J]. 农业机械学报, 2005. 36(08)122-124.
　　[37] 胡瑞海. 基于集成化的汽车故障诊断技术的应用研究[J]. 科技资讯, 2017,15(05): 99-101.
　　[38] 王志鹏, 基于信息融合技术的故障诊断方法的研究及应用, 大连: 大连理工大学, 2001.
　　[39] 王资松,何永勇, 等基丁信息融合技术的发动机故障诊断的研究内燃机学报 2003,21(5): 334-347.
　　[40] 苗迪. 基于特征层与分数层的多模态生物特征融合.[硕士学位论文]. 中国科学技术大学, 2017.
　　[41] 王海. 制造装备远程监控故障诊断系统研究.[博士学位论文]. 辽宁. 东北大学, 2012.
　　[42] 刘召广, 潘炼, 王君. 模糊神经网络在发动机故障诊断中应用研究[J]. 传感器世界. 2008, 14(4): 38-41.
　　[43] 乔新坊, 刘建敏, 张小明. 基于神经网络信总融合的发动机失火故障诊断[J].内燃机工程,2009. 30(01): 74-79.
　　[44] 许昕, 潘铭志, 王晶禹, 潘宏侠. 基于神经网络的故障诊断方法的研究[J]. 机械管理开发. 2007, 10(2): 89-91.
　　[45] Huang Y, Mcmurran R, et al. Probability Based Vehicle Fault Diagnosis:Bayesian Network Method[J]. Journal of ntelligent Manufacturing.2008,19(3): 301-311.
　　[46] Uwe F, Christoph B, Helge W, et al. Closed level control system for avehicle [P].US Patent: No. 6685174, 2004-02-03.
　　[47] Kim H, Kim Y, Shin D. Development of a closed-type 4c air suspensionleveling logic [J].Technical Journal of Hyundai Mobis. 2008, 2(9):134-144.
　　[48] Ahmed R, El Sayed M, Gadsden S A, et al. Automotive InternalCombustion-Engine Fault Detection and Classification Using ArtificialNeural Network Techniques[J]. IEEE Transactions on VehicularTechnology,2015, 64(1): 21-33.
　　[49] Rauber T W, Oliveira-Santos T, Boldt F D A, et al. Kernel and random extremelearning machine applied to submersible motor pump fault diagnosis[C].IEEE, International Joint Conference on Neural Networks. Anchorage, AK,USA,2017:3347-3354.
　　[50] Razavi-Far R, Saif M, Palade V, et al. Adaptive incremental ensemble ofextreme learning machines for fault diagnosis in induction motors[C]. IEEEInternational Joint Conference on Neural Networks, Anchorage, AK, 2017:1615-1622.
　　[51] Lan G, Cheng N, Li Q. Comparison and fusion of various classificationmethods applied to aero-engine fault diagnosis[C] 2017 Chinese ControlAnd Decision Conference, Chongqing, China, 2017: 4754-4759.
　　[52] MagniL, Scattolini R. A Fault Detection and Isolation Method forAutomotive Engines[C]. IEEE/ASME International Conference on AdvancedIntelligent Mechatronics, Atlanta, GA, USA,2009: 263-268.
　　[53] Namburu SM, Chigusa S, Prokhorov D, et al. Application of An EffectiveData-driven Approach to Real-time Fault Diagnosis in AutomotiveEngines[C]. IEEE Aerospace Conference, Big Sky, MT, 2007: 1-9.
　　[54] 王永宽. 汽车故障诊断知识库管理系统的研究[D]. 合肥: 合肥工业大学. 2004.
　　[55] 苏蓉, 张增年. 基于神经网络的汽车发动机建模和故障诊断[J]. 上海电机学院学报, 2005, 8(3): 40-43.
　　[56] 周瑞, 杨建国. 基于粗糙集与支持向量机的发动机故障诊断研究内燃机学报,2006, 24(04): 379-383.
　　[57] 任佩红. 模糊神经网络在车辆故障诊断专家系统中的应用[D]. 合肥: 合肥工业大学. 2003.
　　[58] 马德仲. 基于贝叶斯网络和多源信息构建可靠性分析模型方法研究.[博士学位论文]. 哈尔滨理工大学, 2015.
　　[59] 邓日青. 基于神经网络专家系统的电喷发动机故障自诊断研究[D]. 重庆:重庆交通大学, 2008: 46-47.
　　[60] 浦明, 基于改进的 BP 神经网络的捣固车故障诊断专家系统的研究. [硕士学位论文]. 昆明理工大学, 2016.