0 引言

智能无人驾驶汽车是近几年来新兴产物，智能无人驾驶汽车通常是指无人驾驶、自主推进，由无线电遥控或自身程序控制进行自主导航的汽车。智能无人驾驶汽车通常应用在科考探险、星球探测、作战情报搜集等领域中。当前服役的智能无人驾驶汽车主要有：MQ-1 Predator “捕食者”、MQ-9 Reaper “收割者”、RQ-4Global Hawk “全球鹰”等。智能无人驾驶汽车由于其设计成本低、无人员伤亡风险、生存能力强、机动性能好等特点被广泛应用在军事领域和科研领域，也是未来汽车制造业的发展方向。智能无人驾驶汽车工作环境恶劣，工作环境温度变化异常，比如在极地探险和月球探测等应用领域中，工作环境温度在零下几十摄氏度，发动机运行状态受到环境温度的冲击较大，容易产生故障，研究智能无人驾驶汽车发动机的故障检测优化方法，具有重大的实际价值和意义 [1] 。

传统方法中对智能无人驾驶汽车发动机故障诊断方法采用机械振动系统信号分析算法，对于智能无人驾驶汽车发动机低噪声、低振动工作条件下故障检测效果不好。提出一种基于多阵元超声换能波束指向性分析的智能无人驾驶汽车的发动机故障检测算法。针对传统方法的缺点，进行算法改进，提高对发动机的故障检测性能，系统测试和仿真实验验证了本文故障检测算法的优越性能。

1 发动机故障检测信号模型构建与数学模型生成

1.1 发动机构造与故障检测研究背景

智能无人驾驶汽车发动机故障检测和诊断的根本原理是通过有效检测发动机的有关参数并进行信号与信息的处理和分析，实现对智能无人驾驶汽车发动机的运行状况、故障种类、故障原因部位和趋势的识别和判断。智能无人驾驶汽车发动机属于高精密仪器 [2-5] ，本文研究的智能无人驾驶汽车发动机构造结构如图1所示。该型智能无人驾驶汽车发动机属于精密合金材料制成，制造的难度大价格高，因此需要采用无损检测的方法进行故障检测 [6] 。而常规的检测方式无人驾驶汽车发动机监测，超声波检测以及射线检测法等手段，不能很好的在现代航空发动机的叶片体积小通路复杂的情况下进行较好的故障检测。

通过整个区域的红外亮点分布来判断是否出现涂层的裂纹或者剥落情况的发生。航空发动机的冷却通道是在叶片内部的通路，通过引入冷却气体，使得叶片的温度不至于过高，而在实际使用过程中可能会出现通道的堵塞，使得整个叶片的散热不畅，致使叶片过热造成整个智能无人驾驶汽车发动机空发动机出现故障。

1.2 智能无人驾驶汽车发动机故障信号模型

通过上述分析和结构模型设计可见，对智能无人驾驶汽车发动机的故障检测需要构建发动机故障信号模型，设计有效的发动机故障检测算法。在发动机故障特征搜索过程中，最核心的内容是搜索发动机运行特征，并且将这些特征构成一个数据集合。设置发动机全部特征的数量能够用 q 进行描述，该集合中元素的数目能够用 r 进行描述，根据上述数据可以建立一个矩阵，其公式如下所述：

上述矩阵中的每个元素都用来描述发动机故障特征的参数，根据上述矩阵，可以得到无人驾驶汽车发动机特征的相关数据。

本文用李普希兹指数来描述函数的局部奇异性：

基于多阵元超声换能波束指向性分析，得到该阵元故障特征表达式：

利用下述公式可以进行智能无人驾驶汽车的发动机的故障特征提取：

根据上面阐述的方法，能够进行无人驾驶汽车发动机故障特征提取和信号模型构建，从而为故障检测和挖掘提供依据。

2 基于多阵元超声换能波束指向性分析故障检测算法

在上述模型构建的基础上，本文提出一种基于多阵元超声换能波束指向性分析故障检测算法，实现对故障检测算法的改进。

多阵元超声换能波束指向性故障特征构成的集合可以用 {(zk ,ak ) } 表示，根据下述公式能够对上述发动机故障特征进行初始分类：

通过上述算法改进设计，提高了对发动机故障检测性能，最后在提取故障特征的基础上进行专家系统识别和故障分类诊断，最终实现诊断决策，通过仿真实验进行性能验证。

3 仿真实验与结果分析

最后，为了验证本文提出的基于多阵元超声换能波束指向性分析的智能无人驾驶汽车的发动机故障检测算法的性能，进行一次仿真实验。实验中，构建多阵元超声换能波束面，构建故障检测诊断系统。采集到的无人驾驶汽车发动机故障特征数据如图2所示。

最后在提取故障特征的基础上进行专家系统识别和故障分类诊断，最终实现诊断决策，进而实现故障检测数据分析，得到发动机的故障检测结果如图3所示，从图3可见，采用本文方法，能准确实现对发动机各种故障类型的判别和数据分析，故障数据聚类性能较好，检测性能较传统方法提高43%，具有较好的应用价值。

4 结论

通过对智能无人驾驶汽车的发动机故障检测算法的改进提高对发动机故障的诊断能力。传统方法中对智能无人驾驶汽车发动机故障诊断算法采用机械振动系统信号分析算法，对于智能无人驾驶汽车发动机低噪声、低振动工作条件下故障检测效果不好。提出一种基于多阵元超声换能波束指向性分析的智能无人驾驶汽车的发动机故障检测算法。进行发动机故障检测信号模型构建，提取多阵元超声换能波束指向性特征，实现故障检测。最后在提取故障特征的基础上进行专家系统识别和故障分类诊断，最终实现诊断决策。仿真结果表明，本文算法能准确实现对发动机故障的诊断和判别，检测性能提高明显，展示了较好的应用价值。

参考文献：

[1] 缪鹏程,米小兵,张淑仪等.超声红外热像检测中缺陷发热的瞬态温度场的有限元分析[J]. 南京大学学报(自然科学), 2005, 41(1):98-104.

[2] 徐子豪,张腾飞.基于语音识别和无线传感网络的智能家居系统设计[J].计算机测量与控制. 2012, 20(1): 180-182.

[3] Gareth Jones1 and Emma C. Teeling. The evolution of echo⁃location in bats[J]. TRENDS in Ecology and Evolution.March 2006, 21(3): 149-156.

[4] M Ayub, M H Tiwana, A B Mann. Propagation of Sound in Duct with Mean Flow[J]. Commun Nonlinear Sci Numer Simulat, 2009(14): 3578-3590.

[5] 张晓戎,王程成,胡光波,等.混沌差分优化数据聚类及在故障诊断中的应用[J].压缩机技术，2013, 6: 16-20.

[6] 袁永,段奇智,张毅,等.油井数据采集及高效DLL函数数据传输性能实现[J].计算机与数字工程，2013, 41(10):1628-1631.