目前大部分发动机控制单元仅通过水温对冷却系统状态进行监测，但故障程度较轻时水温变化缓慢，对ECU具有欺骗性，可能使驾驶员错失最佳维护时机导致故障恶化，而且系统部件的强耦合性致使不同故障引起的水温改变雷同，导致故障原因辨识困难。
应用于发动机故障诊断领域的方法包括硬件冗余、故障树、专家系统、物理模型、数据驱动等,但硬件冗余需增加新零件，造成成本上升；故障树适用的对象为特定故障事件，在对整个系统的分析中表现较弱；专家系统需要经验累积，面向新开发机型时局限性强。
因此，针对冷却系统的故障诊断主流方法是基于物理模型或数据驱动。
为了对可监测变量少、时间尺度大、耦合性强的柴油机冷却系统的故障进行有效监测和准确诊断，设计了一种结合同步运行物理模型和小样本数据驱动的智能诊断算法。
利用模型实时预测的水温和实际水温的残差作为故障诊断的信息依据，并将信息输入支持向量机（SVM）进行分类，辨识故障原因。利用GT-SUITE柴油机模型对算法进行仿真测试，在车辆故障工况下对算法进行了试验测试。
—≺ 诊断算法架构 ≻—
本研究解决的是国内某适配公交车特定型号的中载柴油机的冷却系统故障问题，柴油机和车辆参数列于表1,冷却系统结构如图1所示。
研究中基于此型号柴油机进行了含300组工况点的稳态台架试验和带故障的道路试验，道路试验中堵塞散热器气路制造故障，令柴油机在最大转矩转速偏高值（1500~1800r/min）、中高输出转矩百分比（40%~70%）工况下运行，持续监测水温至达到报警值（105℃）。
针对目标柴油机的冷却系统，本研究利用部件特性曲线、试验数据建立GT-SUITE一维模型作为诊断算法的仿真验证对象，模型包含柴油机、车身、道路、环境因素。分别用稳态试验和带故障道路试验的数据校核GT-SUITE模型。
稳态工况下，不同转速（n）和不同输出转矩(M)下的进出水温差(Δθ)对比见图2；道路工况下，出水温度θout升温曲线见图3。
模型的预测偏差结果见表2：稳态工况时，92.7%工况下进出水温差最大相对误差为6.7%；道路工况时，90.6%工况下出水温度最大相对误差为3.2%，97.2%工况下出水温度升温速度最大相对误差为2.1%。
包括物理模型和基于SVM的故障辨识算法两部分。物理模型依据冷却系统物理特性搭建和标定而成，与系统同步运行，以当前工况为输入预测水温，与实际水温对比得到残差。
系统无故障时，残差在0附近分布；故障发生后，残差增大；通过监测残差状态可以监测系统的运行状态。据观测，残差数值变化范围受工况影响较小，且不同的故障下，呈现不同的变化趋势。
本研究以残差的特征为故障信息输入故障辨识算法中见图4，依靠SVM的分类能力辨识故障原因。
—≺ 物理模型建立及验证 ≻—
物理模型是诊断算法对系统状态监测的基准，也是故障信息构建的基础。
冷却系统的运行建立在质量和热量的流动上，准确描述二者各自的流动和相互影响关系是建模的重点。
建模难点在于系统水路是一个闭合的回路，且参数间耦合性强，需对其进行解耦，以降低计算的复杂度并减少算法运算时间。
因此，在建模时将模型模块化、层次化，拆分为质量流动和热量流动模块，先明确回路中质量流动的变化和影响因素，在此基础上研究热量流量的传递和变化。各个模块间的输入输出关系如图5。
冷却水总流量ṁc由水泵转速npump和压升Δppump决定，表示为：
水流动存在时间滞后，每段水回路的流动滞后延迟时间（τ）为：
经过散热器的空气流量由车速v和风扇转速nfan决定，v影响压升Δpfan，公交车速慢且停靠多，风扇在水温稳定后全程开启。空气流量表示为：
将柴油机内部水路简化为一个热力学控制容积，能量和质量随着流体进出容积，忽略热量具体来源，仅计算容积内总热量及内部水路平均水温θc随时间t的变化为：
从柴油机传入冷却水被带走的热流量表示为柴油机比油耗和功率的函数，即将冷却水带走的热流量简化为燃料燃烧产生热量的比例：
利用试验数据对值进行标定，得到其随转速和制动平均有效压力（brakemeaneffectivepressure，BMEP）变化的取值，见图6。
对于水从柴油机缸体离开后的散热过程，在计算中忽略管道流动时的热损失，暖风机的散热量通过特性曲线查询。
散热器换热简化为隔板式换热，散热器的整体传热系数hrad与气—液两边的传热系数关系为
介质传热系数可表示为水和空气的Nusselt数Nuc和Nua相关的方程：
提高物理模型中的空气流阻，在与道路试验相同的工况下，模型与实车的出水温度升温曲线如图7所示，出水温度最大相对误差2.1%。
采用公交车实际采集的道路运行工况作为验证工况，见图8。验证结果如图9所示，出水温度和进水温度最大相对误差分别为2.89%、2.63%。
物理模型完成后，因其不受故障影响，能实时预测正常状态下的水温，可以作为运行状态监测的基准，提升系统的观测维度。模型预测的水温和实际水温对比得到的残差为下一步的辨识算法提供输入。
—≺ 故障辨识算法 ≻—
选取具有代表性的故障特征，令每类故障的特征更鲜明是提升故障辨识准确度的前提。
若残差|r|＜残差阈值J，残差状态记为1，反之为-1。残差状态为-1可初步判断系统处在故障状态。J受模型精度和工况影响，不可设定为定值。
利用水泵和散热器设计时预留的安全系数计算阈值，作为受故障影响的主要状态变量，水泵总流量和散热器散热量下限分别是正常值的70%和80%，在此限值内冷却系统可满足柴油机的正常冷却需求。
在物理模型中，用预测的实时总流量的70%和散热量的80%取代正常状态变量进行下一步计算，预测的温度即为温度阈值，残差阈值即温度阈值与正常预测温度的差的绝对值。令rout、rint为出、进水温度残差，Jout、Jint为对应的残差阈值。
本文针对的是不额外增加传感器等部件的前提下，依靠监测现有变量不能直接察觉和辨识的常见故障类型。因部分常见故障如水箱缺水和风扇卡滞等有专门的故障监测报警装置，不列入算法针对的故障类型。
在设计冷却系统故障案例时，以导致总流量或散热量低于安全下限为部件故障的标准，由于系统同时出现多部件故障的概率较小，本文在同一时刻只设置一种故障。
冷却系统在包含6种典型故障的7种状态下的残差状态如表3，其中水泵停滞与卡滞同样是水泵转速低故障，区别标准是前者转速更低，小于正常值的10%。
残差状态相同的故障需要结合其他特征进一步加以区分，以散热器气路堵塞和节温器低升程卡滞为例，前者对rout无影响，而后者在出水温度超过卡滞升程对应温度后，流阻比物理模型预测值大，总流量降低，rout未超过但接近阈值。
将阈值和残差差值百分比
(J－|r|)/J
作为故障信息。节温器高升程卡滞故障会导致水温震荡，同时rint在阈值范围内震荡。设置遵循Laiyite准则的双滑动窗口对rint的均值和标准差进行统计。
滑动窗口为监测窗口和历史数据窗口，如图10所示，窗口宽度N1和N2分别取100和500，令2个窗口中残差均值的差值e(t)为故障信息，其值持续大于1.5K时提示rint震荡。e(t)表示为
收集到的故障信息输入基于SVM的故障辨识算法以分辨具体故障。SVM的核函数选用最常用的径向基核函数，核函数惩罚因子c和核函数参数σ分别取2和1。
由于在实际柴油机的水泵、散热器水路中设置故障对车辆影响不可控，可能会导致损毁事故。
因此，辨识算法的验证在GT-SUITE/Simulink联合仿真平台上进行，在GT-SUITE中的仿真对象模型上设置不同故障状态，Simulink中的故障诊断算法接收来自GTSUITE模型的工况和水温数据，对其状态进行监测和辨识。
为证明在样本数据较小的前提下，基于残差的故障信息可分性更高，可分辨性验证中设置了对照组，对照组参考其他研究的做法，将可监测变量及其影响因素作为故障信息。
两组故障信息中，第1组故障信息由基于物理模型得到的残差数据组成，以X1表示SVM的输入，Y1表示输出：
第2组不使用残差数据，用出、进水温度θout、θint，水温曲线导数θout、θint，取样时间内平均水温θout、θint，以及温度影响因素组成故障信息，输入和输出用X2、Y2表示：
在仿真对象模型上设置表3列举的7种状态，取各状态下100个点的数据作为算法中SVM的总训练集，另外100个数据点作为测试集。
为保证训练集的全面性，训练集包含严重程度不同的故障数据，以水泵卡滞为例，在卡滞分别导致水泵转速降低30%、40%……90%时取等数量的数据作为训练集，测试集数据则随机取。
两组故障信息输入参数相同的SVM中，比较其分类准确度。SVM对2组不同数据构成的故障信息辨识的结果如图11所示。结果表明，以基于残差的故障信息作为SVM的输入时，在小样本数据集下具有更高的辨识准确度，达到97%以上，比对照组准确度相对高56.5%以上。
为降低辨识误差的影响，在算法的使用中，每次诊断取5s共50个监测数据点（采样周期0.1s）构建故障信息，故障确认的标准为90%以上数据点被划分为该类故障。
算法设计时考虑水流动滞后时间对监测的影响，物理模型计算过程采用的是平均温度，可能出现因流体温度分布不均导致的残差短暂超阈值，设定残差异常超过 10 s 再确认异常。
故障诊断算法转换的代码共 11 066 行，测试用ECU 的单片机型号为 Infineon TC297，频率 300 M Hz，算法代码写入 ECU 可正常循环运行，单次运行用时 3.6 ms，循环周期 50 ms， 50 ms 内冷却系统水温变化小于 0.05 ℃，可忽略循环间隔温度变化对监测的影响，算法满足故障监测需求。
散热器气路堵塞、节温器高升程卡滞故障的诊断结果如图12所示，从故障发生到故障码输出分别耗时45s、39.3s，辨识结果准确。
算法对水泵卡滞、散热器水路堵塞、节温器低升程卡滞故障的诊断结果如图13所示，从故障发生到故障码输出分别耗时28.6、27.3、27.9、23.5s，辨识结果准确。
从试验结果可见，如果运行中发生水泵突然完全停转的极严重故障，出水温度最快从稳定温度最高值95℃升高到报警值105℃需要约49s，算法诊断用时小于该时间。
为确保系统极端状况下的安全，算法中设置最高等级的过温保护，水温达到报警值，ECU控制柴油机减小输出转矩并警告司机靠边停车。
为了解决冷却系统在可监测变量有限时的故障诊断困难问题，本文提出了结合物理模型和基于SVM算法的小样本数据驱动的故障诊断算法，仿真和试验验证表明。
算法中将冷却系统的工作过程简化得到与柴油机同步运行的物理模型，模型对柴油机水温的预测误差在2.89%以内。
以基于利用物理模型得到的残差和残差阈值构建的故障信息作为SVM的故障分类辨识输入，在700个工况点的小样本数据作为算法训练集的前提下，分类准确度达到了97%以上，同条件下比采用传统方法相对高56.5%以上，降低了训练成本。
故障诊断算法可以在故障发生后的45s内监测到异常并准确辨识出故障原因，输出故障码并做出操作建议。
