CN1769856A - 三效催化器故障检测方法及系统 - Google Patents

Abstract

三效催化器故障检测方法及系统，涉及一种汽车故障检测技术，特别涉及对汽车三效催化器故障检测技术。本发明所要解决的技术问题是，提供一种三效催化器故障检测方法和系统，能够实现故障检测和诊断的自动化、智能化和快速化。本发明包括以下步骤：1)测量以下参数：前后压力参数、前后温度参数、转化效率参数、前后氧含量参数；2)将测量结果和预存样本参数比较；3)输出比较结果。本发明的有益效果是，脱离了传统的仅凭经验来诊断催化器故障的模式。在本发明中，所有催化器故障信息的获取、数据分析处理和模式识别都由计算机来完成，实现了诊断过程的智能化、快速化。

Description

三效催化器故障检测方法及系统

技术领域

本发明涉及一种汽车故障检测技术，特别涉及对汽车三效催化器故障检测技术。

背景技术

汽车是人们最熟悉、最常见的交通运输工具，它在人们生活中发挥着十分重要的作用。汽车工业为国民经济的发展提供了巨大的推动力。但汽车保有量的增加也带来了日益严重的环境问题，造成生态环境恶化，严重危害人体健康。三效催化器的研制成功使汽车排放控制技术产生了突破性进展，它可使汽油车排放的CO、HC和NO_x同时降低90％以上，大大降低了机动车排放对城市大气质量的影响。目前，电子控制燃油喷射加三效催化器已成为国际上汽油车排放控制技术的主流。但在实际使用中很多三效催化器往往不到使用期限就已经失效，导致污染失控，所以有必要对在用车装备的催化器进行检测，诊断其是否失效。传统的仅凭经验判断的维修方式已不能满足新型汽车的维修需要。

发明内容

本发明所要解决的技术问题是，提供一种三效催化器故障检测方法和系统，能够实现故障检测和诊断的自动化、智能化和快速化。

本发明解决所述技术问题采用的技术方案是：

三效催化器故障检测方法，包括以下步骤：

1)测量以下参数：前后压力参数、前后温度参数、转化效率参数、前后氧含量参数；2)将测量结果和预存样本参数比较；3)输出比较结果。

所述步骤2)中，采用小波包技术提取压力波动的特征，与预存的压力样本参数比较以马氏距离法判断对各参数的测量结果与样本参数是否相符；测量结果与预存样本参数以对比显示时域波形的方式输出。

本发明还提供一种三效催化器故障检测系统，包括：压力检测装置，检测催化器前后压力参数；温度检测装置，检测催化器前后温度参数；废气成分检测装置，用于分析催化器前后废气成分；氧检测装置，检测催化器前后氧含量；数据采集装置，对前述各检测装置的检测结果进行A/D转换；显示装置，用于显示检测结果；处理装置，从数据采集装置中读取检测结果，与预存数据比较后，输出到显示装置；存储装置，存储有样本参数和处理程序。前述显示装置、处理装置和存储装置可以依托一个笔记本电脑及其内的程序实现。

所述压力检测装置为压力变送器，分别与三效催化器的前后接口连接；所述温度检测装置为温度传感器，分别位于三效催化器的前后接口；所述氧检测装置为氧传感器，分别与三效催化器的前后接口连接；所述数据采集装置为数据采集卡；所述废气成分检测装置为五组分排气分析仪。三效催化器的前端接口通过管道与三通的第一端连接，在前端接口与三通之间设置有一个阀门；三效催化器的后端接口通过管道与三通的第二端连接，在前端接口与三通之间设置有另一个阀门；三通的第三端连接至废气成分检测装置。两个阀门为电磁阀，控制端都与数据采集装置连接，受处理装置控制。

本发明的有益效果是，脱离了传统的仅凭经验来诊断催化器故障的模式。在本发明中，所有催化器故障信息的获取、数据分析处理和模式识别都由计算机来完成，实现了诊断过程的智能化、快速化。诊断系统与催化器的连接简单，基本实现了对三效催化器的不解体检测。本发明还能进一步分离发动机和催化器的故障，且具有良好的故障屏蔽作用，即可尽量减少非催化器的因素造成的误诊断。本发明能有效判别催化器的工作状态，进行准确诊断，进而有效防治机动车的排放污染。

以下结合附图和具体实施方式对本发明作进一步的说明。

附图说明

图1是本发明车用三效催化器故障诊断系统的结构示意图；

图2是数据采集程序执行流程图；

图3是压力数据分析程序流程图；

图4是实施例1中三效催化器正常和发生故障时用小波包分解后的各频带相对功率图；

表1是实施例1中，三效催化器在各堵塞情况下的特征量；

图5是三效催化器故障流程图。

图6是三效催化器的症状向故障特征空间的映射关系。

图7是三效催化器堵塞80％时(失效)主副氧传感器的波形对比。

图8是小波函数系的时间频率窗。

图9是信号的小波分解和小波包分解的示意图。

具体实施方式

在图1所示的系统结构示意图中，包括两个机箱，一台五组分排气分析仪6和一台笔记本电脑5。将三效催化器3的主副氧传感器卸下以后，作为前后废气引入通道的接口。在接口处装有温度传感器7、8，废气先引入一个机箱中，在该机箱中集成有氧传感器10、压力变送器9、电磁阀1、2及三通4，废气经三通和废气引出口13引入五组分分析仪6，而经传感器检测的信号则进入另一个机箱，其中整合了USB数据采集卡及电源12，构成数据采集装置4。最后采集到的数据经USB接口输入笔记本电脑5，尾气分析仪的信号通过RS-232C串口输入电脑。

催化器前后接口处安装有温度传感器，用于测量催化器前后排气温度的变化；整个诊断系统与催化器的连接采用具有柔性且耐高温的波纹管；系统中采用两只氧传感器用于排气成分中氧含量的检测，氧传感器的加热由独立的电源供电来实现；系统中使用两只压力变送器进行排气压力的测量；废气成分的测量使用五组分排气分析仪，而前后通道的转换则是由两只电磁阀来完成的，当检测前端废气成分数据时，关闭后端的电磁阀，检测后端时，情况相反，数据的传输通过RS-232C接口进行；数据采集卡则完成数据的采集工作，最后通过USB接口把数据传输给笔记本电脑。

参见图2，该图显示了数据采集程序执行的流程。本发明中使用的数据采集程序包括以下几个部分：

1.创建设备对象

2.初始化和启动AD

3.读AD数据

4.数据显示、存盘

5.停止和释放设备

图3显示了压力数据分析的流程。压力数据是由数据采集程序采集并存储的。对压力数据的分析，则是利用专门开发的分析软件来实现的。由于本系统中的软件能实现数据的共享，分析程序能方便的导入数据，进行后续的分析处理。分析程序能去除数据中的坏点，绘制时域波形。分析程序采用小波包技术，对压力信号进行小波包分解，提取排气压力的波动特征，作为待检状态的特征量。如果某型号的催化器的故障特征数据库还未建立，则要先提取反映该催化器状态的标准特征量。如果标准特征量建立以后，就可以使用判别分析的方法进行催化器状态属性的判别。

参见图4，作为实施例1，该图显示了某型号的三效催化器在正常和失效状态下的特征图谱的对比。图4中，上图是该催化器正常时的压力数据经小波分析后的各频带相对功率图；下图是该催化器失效时的压力数据经小波分析后的各频带相对功率图。对比上下两图，可知催化器正常与发生故障时相比，各频带的能量分布有较大差异。

表1显示了使用本系统提取的某型号三效催化器在各堵塞情况下的特征量。

图5显示了诊断三效催化器的流程。

在获得被检信号后，首先从催化器前端的数据来分析发动机的工作状态，判断发动机是否正常工作。若发动机工作不正常，则需要调整发动机，以保证发动机为催化器提供正常的工作条件。当发动机工作正常时，可以进行后续的诊断。在获取被检数据后，系统将从以下几方面对数据进行处理。一是分析催化器前后排气的压力波动情况，获得反映催化器物理特性方面的特征参数，提取特征量；二是计算催化器前后的尾气成分数据，得到反映催化器化学活性的转化效率；三是分析催化器前后的排气温度数据，计算温度的变化量；四是分析氧传感器的信号，计算主副氧传感器输出电压的最大变化量；在得到以上反映催化器状态的特征参数后，系统将进行催化器状态的识别。识别采用的方法是判别分析法。训练样本是经大量试验预先建立的，以数据库的形式存在于数据分析与故障诊断软件的工作空间中。

作为实施例2，更具体的描述本发明的工作过程参见图6-7。

由于三效催化器本身的结构特点及理化特性，三效催化器的故障可以通过不同的方式反映出来。催化器的故障诊断是一个复杂的过程，它建立在多状态参数的获取与识别基础之上。针对催化器系统工作环境恶劣、干扰因素众多、单一传感器判断易产生误判的特点，为提高对诊断对象的故障识别能力，本发明利用多传感器获得同一对象的不同测量数据和信息，形成对目标对象相对一致的状态描述，得到一个准确可靠的分析和判断结果，从而提高系统的决策能力。

本发明利用多种传感器提供的状态信息，并使用多源信息融合技术，识别三效催化器的状态属性。利用信息融合技术，根据传感器信息的互补性和冗余性，进行合适的数学处理，可大大降低诊断的不确定性，实现对目标对象状态的最优估计，得出诊断结果。

针对催化器理化方面的特性，本发明把催化器的症状映射到故障特征空间的四个不同方面。四个方面的信息有一定关联，为得到一个综合信息，需要将数据进行融合处理。物理失效方面，诊断系统采用小波包技术提取压力波动的特征，实现对物理失效定量和独立的检测诊断。使用小波包技术对催化器物理失效的诊断是一种新方法，在技术上有创新性。三效催化剂的活性、催化剂的储氧能力、化学催化反应的剧烈程度是催化器化学特性的三种主要表现形式。

系统中，采用转化效率对催化剂的活性进行评价。对催化剂的储氧能力而言，则利用前后氧传感器的输出波形来判断。如图7。众所周知，氧传感器信号电压在过量空气系数Φa＝1处发生阶跃。ECU为氧传感器提供了一个450mV的偏压。在稳定工况下，如果Φa＜1，则氧传感器信号电压约为1000mV；如果Φa＞1，则此信号电压约为100mV。当ECU进入Φa闭环控制后，催化器前端氧传感器信号电压应在1000mV和100mV之间不断地波动。由于新催化剂有较高的储氧能力，即在富氧时储存氧和贫氧时释放氧的自动调节功能强，使下游氧传感器的动态响应与上游氧传感器相比受到明显的阻尼，下游氧传感器动态响应曲线的振幅将非常小；而当催化剂活性下降时，其储氧能力亦即储放氧的调节能力明显下降，使催化器出口测得的氧传感器波形与上游氧传感器的波形很相似(如图1所示)。这样，通过对催化器前后两个氧传感器输出信号波幅的对比，就可以判断催化器的劣化程度。

催化反应过程的剧烈程度可用通过前后排气温度的变化反映出来。一般出口温度可高于入口温度20～100℃。一般说来，温度相差越大，反应越充分，转化效果越好。在四个诊断指标中，转化效率和压力波动是核心的诊断指标。具体的诊断过程会利用诊断信息的的冗余性和关联性来进行判断。以下对此进行举例说明。如果催化器的转化效率较高，前后氧传感器的输出波形差异明显，排气温升较高，压力波动正常，堵塞程度小，这时系统判定催化器工作状态良好，没有故障；如果催化器转化效率偏小，前后氧传感器的波形相似，排气温升不明显，这时说明催化剂的化学活性很低，催化器存在故障；如果此时压力波动正常，催化器堵塞程度小，但转化效率偏低，则说明催化剂化学老化严重；如果催化器堵塞程度大，转化效率偏低则说明催化器同时存在物理失效和化学失效；如果催化器堵塞程度已超过30％左右，说明催化器已开始积碳堵塞，要注意定期对催化器进行检测；如果排放未超标，但催化器的转化效率已低于70％，说明催化器已有老化的趋势，同样要注意定期对催化器进行检测。三效催化器的诊断策略通过程序来体现，如果不同类型的催化器需要使用不同的诊断策略时，可以很方便的通过修改程序来优化。

以下对本发明采用的马氏距离法和小波分析进行简介。

本发明采用的马氏距离法的基本思想是：首先根据已知分类的数据，分别计算各类的重心即分组(类)的均值，判别准则是对任给的一次观测，若它与第i类的重心距离最近，就认为它来自i类。由于马氏距离法属于一种现有的判断分析技术。马氏距离法简介如下：

设有两个总体，G1、G2，从第一个总体中抽取n₁个样品，从第二个总体中抽取n₂个样品，每个样品测量p个指标。实测指标值为X＝(x₁，…，x_p)′，计算X到G1、G2总体的距离，分别记为D(X，G₁)和D(X，G₂)，设μ⁽¹⁾，μ⁽²⁾，∑⁽¹⁾，∑⁽²⁾分别为G1、G2的均值向量和协方差阵。

马氏距离定义为：

D²(X，G_i)＝(X-μ⁽ⁱ⁾)′(∑⁽ⁱ⁾)^-1(X-μ⁽ⁱ⁾)，i＝1，2

(1)当∑⁽¹⁾＝∑⁽²⁾＝∑时

考察D²(X，G₂)及D²(X，G₁)的差，就有：

D²(X，G₂)-D²(X，G₁)＝X′∑^-1X-2X′∑^-1μ⁽²⁾+μ^(2)′∑^-1μ⁽²⁾-[X′∑^-1X-2X′∑^-1μ⁽¹⁾+μ^(1)′∑^-1μ⁽¹⁾]

＝2X′∑^-1(μ⁽¹⁾-μ⁽²⁾)-(μ⁽¹⁾+μ⁽²⁾)′∑^-1(μ⁽¹⁾-μ⁽²⁾)

$=2{[X-\frac{1}{2}({\mathrm{\μ}}^{\left(1\right)}+{\mathrm{\μ}}^{\left(2\right)})]}^{\′}{\mathrm{\Σ}}^{-1}({\mathrm{\μ}}^{\left(1\right)}-{\mathrm{\μ}}^{\left(2\right)})$

令 $\stackrel{\‾}{\mathrm{\μ}}=\frac{1}{2}({\mathrm{\μ}}^{\left(1\right)}+{\mathrm{\μ}}^{\left(2\right)})$

W(X)＝(X- μ)′∑^-1(μ⁽¹⁾-μ⁽²⁾)

则判别式可写成：

当∑，μ⁽¹⁾，μ⁽²⁾已知时，令 $a={\mathrm{\Σ}}^{-1}({\mathrm{\μ}}^{\left(1\right)}-{\mathrm{\μ}}^{\left(2\right)})\≅{(a_1,\·\·\·,a_p)}^{\′},$ 则

$W\left(X\right)={(X-\stackrel{\‾}{\mathrm{\μ}})}^{\′}a=a^{\′}(X-\stackrel{\‾}{\mathrm{\μ}})=(a_1,\·\·\·,a_p)\left[\begin{array}{c}{x}_1-{\stackrel{\‾}{\mathrm{\μ}}}_1\\ .\\ .\\ .\\ x_p-{\stackrel{\‾}{\mathrm{\μ}}}_P\end{array}\right]$

＝a₁(x₁- μ₁)+…+a_p(x_p- μ_p)

显然，W(X)是x₁，…，x_p的线性函数，称W(X)为线性判别函数，a为判别系数。

当∑，μ⁽¹⁾，μ⁽²⁾未知时，可通过样本来估计。设X₁ ⁽ⁱ⁾，X₂ ⁽ⁱ⁾，…X⁽ⁱ⁾ _ni来自G_i样本，i＝1，2。

${\widehat{\mathrm{\μ}}}^{\left(1\right)}=\frac{1}{n_1}\underset{i=1}{\overset{n_1}{\mathrm{\Σ}}}{X}_i^{\left(1\right)}={\stackrel{\‾}{X}}^{\left(1\right)}$

${\widehat{\mathrm{\μ}}}^{\left(2\right)}=\frac{1}{n_2}\underset{i=1}{\overset{n_2}{\mathrm{\Σ}}}{X}_i^{\left(2\right)}={\stackrel{\‾}{X}}^{\left(2\right)}$

$\widehat{\mathrm{\Σ}}=\frac{1}{n_1+n_2-2}(S_1+S_2)$

其中 $\mathrm{Si}=\underset{t=1}{\overset{n_i}{\mathrm{\Σ}}}(X_i^{\left(i\right)}-{\stackrel{\‾}{X}}^{\left(i\right)}){(X_i^{\left(i\right)}-{\stackrel{\‾}{X}}^{\left(i\right)})}^{\′}$

$\stackrel{\‾}{X}=\frac{1}{2}({\stackrel{\‾}{X}}^{\left(1\right)}+{\stackrel{\‾}{X}}^{\left(2\right)})$

线性判别函数为： $W\left(X\right)={(X-\stackrel{\‾}{X})}^{\′}{\widehat{\mathrm{\Σ}}}^{-1}({\stackrel{\‾}{X}}^{\left(1\right)}-{\stackrel{\‾}{X}}^{\left(2\right)})$

(2)当∑⁽¹⁾≠∑⁽²⁾时

按距离最近准则，类似地有：

仍然用W(X)＝D²(X，G₂)-D²(X，G₁)

          ＝(X-μ⁽²⁾)′(∑⁽²⁾)^-1(X-μ⁽²⁾)-(X-μ⁽¹⁾)′(∑⁽¹⁾)^-1(X-μ⁽¹⁾)

作判别函数。

把两个总体的讨论推广到多个总体，可以得到多个总体的距离判别法。诊断系统把各个堵塞程度的数据视为一个总体，将待检数据与之比较，所以系统采用多个总体的距离判别法。

小波变换是80年代后期发展起来的应用数学分支，由法国学者将其引入工程应用，特别是信号处理领域。因此人们有时把小波分析的兴起归功于所谓“法国学派”。目前，小波分析在语音、图像、通信、雷达、水声、地震、生物医学、机械振动、化工、湍流分析等领域都有应用。由于根据本发明说明书的介绍，本领域技术人员已经能够毫无困难的利用小波变换实施本发明，故本文不再详细介绍该技术。

小波分析属于时频分析的一种。传统的信号分析是建立在傅立叶(Fourier)变换的基础之上的。但是，傅立叶分析使用的是一种全局的变换，即要么完全在时域，要么完全在频域，它无法表述信号的时频局域性质，而时频局域性质恰恰是非平稳信号最根本和最关键的性质。小波变换具有多分辨率分析的特点，在时域和频域都有表征信号局部信息的能力，时间窗和频率窗都可以根据信号的具体形态动态调整，在一般情况下，在低频部分(信号较平稳)可以采用较低的时间分辨率，而提高频率的分辨率，在高频情况下，(频率变化不大)可以用较低的频率分辨率来换取精确的时间定位。因为这些特点，小波分析可以探测正常的信号中瞬态成分，并展示其频率成分，被称为数学显微镜，广泛用于各个时频分析领域。

小波分析：

定义：如果ψ(t)∈L²(R)满足容许性条件：

$C_{\mathrm{\&psi;}}={\&Integral;}_{-\&infin;}^{\&infin;}\frac{{\left|\widehat{\mathrm{\&psi;}}\left(\mathrm{\&omega;}\right)\right|}^2}{\left|\mathrm{\&omega;}\right|}\mathrm{d\&omega;}<\&infin;----\left(4.1\right)$

那么ψ(t)叫做可允许小波(积分小波，基小波)。其中

是ψ(t)傅立叶变换，L²(R)为平方可积函数空间。由基小波生成的小波函数系可表示为：

${\mathrm{\&psi;}}_{a,b}\left(t\right)={\left|a\right|}^{-1/2}\mathrm{\&psi;}\left(\frac{t-b}{a}\right)----\left(4.2\right)$

将信号在这个函数系上做分解，就得到了连续小波变换的定义。

定义：设f(t)∈L²(R)则对其可允许小波函数ψ_a，b(t)的连续小波变换为：

$\left(W_{\mathrm{\&psi;}}f\right)(a,b)={\&Integral;}_{-\&infin;}^{\&infin;}f\left(t\right)\stackrel{\&OverBar;}{{\mathrm{\&psi;}}_{a,b}\left(t\right)}\mathrm{dt}----\left(4.3\right)$

其中

表示ψ_a，b(t)的共轭，在表达式(4.3)中，求得信号在固定小波函数ψ_a，b(t)上的分量，对参数a和b进行展开以后，就得到了任何时刻，任意精度的频谱了。当然，对实际计算来讲，这样的代价太高，所以类似傅立叶级数的想法，把参数a或b或(a，b)同时做离散化，就得到了离散小波变换，当然为了满足小波函数的正交性和稠密性还要引入一些附加条件。

离散小波函数可以表示为：

ψ_j，k(t)＝a₀ ^-j/2ψ(a₀ ^-jt-kb₀)，j，k∈Z    (4.4)

离散小波变换的系数可表示为：

$W_{j,k}\left(t\right)={\&Integral;}_{-\&infin;}^{\&infin;}f\left(t\right)\stackrel{\&OverBar;}{{\mathrm{\&psi;}}_{j,k}\left(t\right)}\mathrm{dt}-------\left(4.5\right)$

类似傅立叶级数，其重构公式为：

$f\left(t\right)=C\underset{-\&infin;}{\overset{\&infin;}{\mathrm{\&Sigma;}}}\mathrm{\&Sigma;}{W}_{j,k}{\mathrm{\&psi;}}_{j,k}\left(t\right)---\left(4.6\right)$

其中C为与信号无关的常数。如果选取的离散点满足a₀＝2，b₀＝1，则称为二进小波变换。当然，做了这种离散化以后，为了使小波能够正确的把信号进行分解，还要做一些限制条件。

定义：设函数ψ_j，k(t)∈L²(R)，如果存在两个常数A，B，且0＜A＜B＜∞使得稳定性条件：

$A\&le;\underset{j\&Element;Z}{\mathrm{\&Sigma;}}{\left|\widehat{\mathrm{\&psi;}}\left(2^{-j}\mathrm{\&omega;}\right)\right|}^2\&le;B----\left(4.7\right)$

几乎处处成立，如果A＝B则称为最稳定性条件。那么函数序列{W_2jf(k)}_k∈Z叫做函数f的二进小波变换。其中，

$W_{2j}f\left(k\right)=<f\left(t\right),{\mathrm{\&psi;}}_{2j}\left(k\right)>=\frac{1}{2^j}{\&Integral;}_{-\&infin;}^{\&infin;}f\left(t\right)\stackrel{\&OverBar;}{\mathrm{\&psi;}(2^{-j}t-k)}\mathrm{dt}----\left(4.8\right)$

由小波变换重构原始信号的逆变换为：

$f\left(t\right)=\underset{j\&Element;Z}{\mathrm{\&Sigma;}}{W}_{2j}f\left(k\right)*{\mathrm{\&psi;}}_{2j}\left(t\right)---\left(4.9\right)$

式(4.9)的右边的卷积并不能写成求和的形式，因为离散小波变换的离散化是小波的参数，而不是信号的取样点。这点跟傅立叶级数类似，都是把信号分解到可数的函数系上。

由小波的定义可知，小波函数和其傅立叶变换 满足窗函数的条件。那么小波函数的时间窗和频率窗就可以表示为：

ψ_a，b(t)：[b+at₀-aΔ_ψ，b+at₀+Δψ]

${\widehat{\mathrm{\&psi;}}}_{a,b}\left(\mathrm{\&omega;}\right):[\frac{{\mathrm{\&omega;}}_0}{a}-\frac{1}{a}{\mathrm{\&Delta;}}_{\widehat{\mathrm{\&psi;}}},\frac{{\mathrm{\&omega;}}_0}{a}+\frac{1}{a}{\mathrm{\&Delta;}}_{\widehat{\mathrm{\&psi;}}}]$

从图8可以看出ψ_a，b(t)的时间-频率窗口面积相同，随|a|越大，频率窗越小，时间窗越大。而通过选取不同的a，时间窗和频率窗大的比例可以自动调节。这样小波分析就可以获取任何时间任何感兴趣的频谱，不必像短时傅立叶变换那样只能获取固定时间窗内的固定频率段了。

类似于傅立叶分析中的傅立叶积分，连续小波变换也就是积分形式的小波变换，所以也叫积分小波变换，它对母小波的尺度伸缩和平移都是连续的，所以变换的结果是一个由伸缩和位移组成的二元函数。

根据可允许性条件，由窗函数的定义，可知ψ(t)和

都是窗函数，两者定义了一个有限面积的时间-频率窗

另外这个条件还可以得出如下结论，

是一个连续函数，那么由于CΨ＜∞，可以立刻得出：

$\widehat{\mathrm{\&psi;}}\left(0\right)={\&Integral;}_{-\&infin;}^{\&infin;}\mathrm{\&psi;}\left(t\right)\mathrm{dt}=0---\left(4.10\right)$

式(4.10)说明ψ(t)是奇函数，对于窗函数而言，大部分的函数值分布在0点的周围，用数学语言说，就是ψ(t)具有紧支集，正因为这样，ψ(t)被称为“小波”，如果把ψ(t)看作滤波器，则说明ψ(t)具有高通滤波器的性质。

由于连续小波变换伸缩和平移系数是相互独立的，所以通过伸缩和平移得到的各个小波函数ψ_a，b(x)之间有一定的相似性，抛开小波函数本身的正交性不谈，由于这两个系数之间的独立，就引入了信息的冗余。在分辨率一定的情况下，描述了多余的信息，使得反映信号特征的一些参数相互重叠，给我们的分析带来不变。

此外，由于信息的冗余，也使得小波逆变换的重构过程不唯一，也就是说由同一个母小波生成的不同的小波变换函数可能重构成同一个信号。

为了达到减少信息冗余的目的，就引入了离散小波变换的概念，其中的伸缩和平移系数是可数的。重构过程用求和的形式给出。如果伸缩和平移系数满足一定的对应关系，则称为二进小波变换(尺度以2的幂的形式给出)，如果对离散化的伸缩和平移系数所生成的小波函数是正交的，就能去处冗余，这就是正交小波变换。

真正使小波在应用领域得到比较大发展的是Meyer在1986年提出的一组小波，其二进制伸缩和平移构成L²(R)的标准正交基。在此结果基础上，1998年S.Mallat在构造正交小波时提出了多分辨分析的概念，从函数分析的角度给出了正交小波的数学解释，在空间的概念上形象的说明了小波的多分辨特性，给出了构造正交小波的方法，并将之前所有的正交小波构造方法统一起来，并类似傅立叶分析中的FFT算法，给出了小波变换的快速算法-Mallat算法。

在小波分析中，多分辨分析理论具有重要的意义，它将信号分解为一系列正交的子空间，各子空间在频率上既没有交叠也没有遗漏，因而信号的各频率成分之间不会相互影响，它是对小波进行分解与重构的理论基础，根据这一特性可以提取被淹没在繁杂的信号背景的微小信号。多分辨分析方法将信号分离到不同的频段，这样故障特征与信号的其它一些成分就被分开，故障特征提取因而变得容易、准确。

多分辨分析的基本思想时把信号投影到一组相互正交的小波函数构成的子空间上，形成了信号在不同尺度上的展开，从而提取到了信号在不同频带的特征，同时保留了信号在各个尺度上的时域特征。虽然多分辨率分析是一种有效的时频分析方法，但它每次只对低频部分进行分解，高频部分保留不动。小波包(waveletpacket)分析对比进行了改进，它同时可在低频和高频部分进行分解，自适应地确定信号在不同频段的分辨率。

在实际应用中，往往希望提高高频带信号的频率分辨率，小波包分析给出了解决问题的办法。小波包分析能够为信号提供一种更加精细的分析方法，它在全频带对信号进行多层次的频带划分，继承了小波变换所具有的良好时频局部化优点，继续分解小波变换没有分解的高频频率带，小波包技术实现了将信号无冗余、无疏漏、正交地分解到独立的频带内，从而提高了频率分辨率，因此小波包具有更广泛的应用价值。

由图9所示的信号小波分解和小波包分解可以看到，由于是正交分解，每一个频带分解后的两个频带不交叠，输出的两个频带的带宽减半，因此采样频率可以减半而不至于引起信息的丢失。小波包分析就是进一步按照二进制方式进行频带细分，以达到提高频率分辨率的目的。

本发明压力信号的小波包分析及特征量的提取：

废气流动特性的改变直接反应了催化器物理特性的改变。可以通过分析催化器前后气体的流动特性来精确刻画催化器的物理故障。这一过程是在对压力数据作小波包分解后得出的。

小波包技术是将信号分解到各个独立的频带内，而每个频带里的能量则能较好地反映设备的状态。因此，在各个频率成分信号的能量中，包含着丰富的故障信息，某种或几种频率成分能量的改变即代表了一种故障情况。

正常	0.3194	0.202	0.0255	0.0515	0.0308	0.0171	0.1229	0.2307
									0.3778	0.2633	0.0247	0.0302	0.0178	0.027	0.0715	0.1877
	0.2522	0.156	0.0213	0.0401	0.0401	0.0504	0.069	0.3708
									0.3427	0.1797	0.0322	0.0405	0.0341	0.0312	0.0584	0.2812
	0.2692	0.184	0.0308	0.0507	0.045	0.0294	0.0653	0.3256
									20％	0.341	0.2235	0.0215	0.0549	0.0548	0.0219	0.0999	0.1826
0.3501	0.2157	0.0236	0.0633	0.0457	0.0189	0.0786	0.2041
								0.3401		0.1978	0.0198	0.0499	0.0425	0.0205	0.0696	0.2597
0.316	0.1873	0.0224	0.039	0.0387	0.0255	0.0585	0.3126
								0.3426		0.2102	0.0232	0.0557	0.0537	0.0223	0.1106	0.1835
30％	0.3152	0.1675	0.0267	0.0887	0.024	0.0261	0.052										0.3
								0.3904	0.2255	0.0372	0.112	0.028	0.0222	0.0816	0.1031
	0.2987	0.2691	0.0197	0.0433	0.0319	0.0416	0.0825									0.2132
								0.2305	0.2044	0.0212	0.0847	0.0341	0.0479	0.0555	0.3216
	0.2475	0.2333	0.0241	0.087	0.0195	0.0321	0.1209									0.2357
								40％	0.3957	0.3126	0.0123	0.0837	0.0099	0.0113	0.0539		0.1206
0.3535	0.4247	0.016	0.0404	0.0151	0.02	0.0536	0.0768
									0.2223	0.3234	0.0236	0.0536	0.0162	0.0174	0.1033	0.2403
0.2765	0.2906	0.0186	0.0845	0.022	0.0268	0.1165	0.1645
									0.3449	0.3051	0.0224	0.0661	0.0212	0.025	0.1058	0.1095
50％	0.3449	0.3051	0.0224	0.0661	0.0212	0.025	0.1058										0.1095
								0.4278	0.3208	0.0189	0.0798	0.014	0.0177	0.0472	0.0739
	0.4082	0.2283	0.0153	0.0508	0.0163	0.0209	0.1287									0.1314
								0.3392	0.3279	0.0245	0.0766	0.0232	0.04	0.0538	0.1147
	0.3644	0.2442	0.023	0.0561	0.0256	0.0282	0.0939									0.1645
								60％	0.4871	0.2779	0.0203	0.0478	0.0089	0.0237	0.0507		0.0836
0.5087	0.2738	0.0175	0.0642	0.0086	0.0186	0.0524	0.0561
									0.4168	0.2857	0.0175	0.0656	0.0118	0.0251	0.0619	0.1155
0.4102	0.2835	0.0208	0.0555	0.0247	0.028	0.0357	0.1416
									0.4495	0.2726	0.0248	0.0437	0.0227	0.028	0.0739	0.0848
70％	0.3898	0.3036	0.0145	0.0608	0.0204	0.0312	0.069										0.1107
								0.3671	0.2867	0.0225	0.0516	0.0253	0.0296	0.1046	0.1127
	0.3786	0.2698	0.0173	0.0642	0.0214	0.0315	0.1137									0.1035
								0.3367	0.2341	0.0193	0.0495	0.0341	0.0298	0.121	0.1127
	0.4034	0.308	0.0186	0.0525	0.0147	0.026	0.064									0.1129
								80％	0.4418	0.2513	0.0199	0.0414	0.0205	0.0258	0.0572		0.1235
0.3698	0.2407	0.0222	0.0526	0.0225	0.0309	0.114	0.1273
									0.4024	0.2569	0.0222	0.0488	0.0282	0.0254	0.0832	0.1328
0.4102	0.2621	0.0206	0.0486	0.0225	0.0228	0.0767	0.1367
									0.413	0.2648	0.0175	0.0443	0.0197	0.0302	0.0804	0.1302

Claims (8)

1、三效催化器故障检测方法，其特征在于，包括以下步骤：

1)测量以下参数：

前后压力参数、前后温度参数、转化效率参数、前后氧含量参数；

2)将测量结果和预存样本参数比较；

3)输出比较结果。

2、如权利要求1所述的三效催化器故障检测方法，其特征在于，所述步骤2)中，采用小波包技术提取压力波动的特征，与预存的压力样本参数比较。

3、如权利要求1所述的三效催化器故障检测方法，其特征在于，测量结果与预存样本参数以对比显示时域波形的方式输出。

4、如权利要求1所述的三效催化器故障检测方法，其特征在于，所述步骤2)中，以马氏距离法判断测量结果与样本参数是否相符。

5、三效催化器故障检测系统，包括：

压力检测装置，检测催化器前后压力参数；

温度检测装置，检测催化器前后温度参数；

废气成分检测装置，用于分析催化器前后废气成分；

氧检测装置，检测催化器前后氧含量；

数据采集装置，对前述各检测装置的检测结果进行A/D转换；

显示装置，用于显示检测结果；

处理装置，从数据采集装置中读取检测结果，与预存数据比较后，输出到显示装置；

存储装置，存储有样本参数和处理程序。

6、如权利要求5所述的三效催化器故障检测系统，其特征在于：

所述压力检测装置为压力变送器，分别与三效催化器的前后接口连接；

所述温度检测装置为温度传感器，分别位于三效催化器的前后接口；

所述氧检测装置为氧传感器，分别与三效催化器的前后接口连接；

所述数据采集装置为数据采集卡；

所述废气成分检测装置为五组分排气分析仪。

7、如权利要求6所述的三效催化器故障检测系统，其特征在于，三效催化器的前端接口通过管道与三通的第一端连接，在前端接口与三通之间设置有阀门；三效催化器的后端接口通过管道与三通的第二端连接，在前端接口与三通之间设置有另一个阀门；三通的第三端连接至废气成分检测装置。

8、如权利要求7所述的三效催化器故障检测系统，其特征在于，所述阀门为电磁阀，其控制端与数据采集装置连接，受处理装置控制。

Images