CMES本期精选文章“Artificial Intelligence-Driven Vehicle Fault Diagnosis to Revolutionize Automotive Maintenance: A Review”（人工智能驱动的汽车故障诊断技术将革新汽车维护：综述）。
文章详情
这篇文章重点回顾了机器学习领域的相关文献，以及用于发动机、提升系统（悬架和轮胎）、变速箱和制动器以及其他车辆子系统故障诊断的深度学习算法。
图形摘要
1. 前言
人工智能的进步为汽车维修专家的崛起铺平了道路。机器学习和深度学习等多种人工智能技术，提供了提升诊断准确性、实现预测性维护，并适应车辆日益复杂化的有力解决方案。
本综述重点分析了众多机器学习和深度学习算法对基于模型和信号的方法在发动机、悬架、轮胎、变速箱和刹车故障分析中的显著影响。此外，综述旨在探讨当前人工智能在车辆故障诊断和电动及自动驾驶汽车预测性维护中的应用现状，评估各种AI技术的有效性，识别实施中的障碍，并分析其对经济、伦理和劳动力的影响。文献的其余部分按图1所示的结构进行组织。
图1：综述的分类学框架
2. 汽车故障诊断
多年来，车辆故障分析采用了多种故障分析与解读技术，如基于模型、基于信号和基于知识的方法（见图2）。随着汽车及其机械系统所产生的数据量显著增加，复杂性也随之提升。因此，基于人工智能的知识驱动数据分析系统在效率上优于传统的基于模型和基于信号的技术。
图2：汽车故障诊断的方法
3. 面向汽车故障诊断的人工智能技术
最近，许多人工智能技术已被用于车辆异常检测系统。其中，使用最多的方法如图3所示。
图3：汽车故障诊断的人工智能技术
4. 基于人工智能的车辆维修
维护策略可以细分为以下几种方式，1)纠正性维修，2) 预防性维修，3) 预见性维修。如图4所示。
图4：维护策略
5. 前景、未来方向和解决方案
图5总结了改善车辆故障诊断系统解读的主要挑战和潜在研究路径。
图5：人工智能驱动车辆故障诊断的未来研究框架
6. 结论
本综述总结了以下发现:
1) 基于知识的人工智能方法在诊断车辆故障方面的能力通常优于传统的基于模型和基于信号的方法。
2) 支持向量机在故障分类的准确性和可靠性方面始终优于其他机器学习算法，尤其是在小样本和不平衡数据集的情况下，适用于不同的车辆部件，包括发动机、动力传动系统和其他旋转元件。
3) 卷积神经网络在自动提取特征和分类故障方面表现出色，特别是当结合领域特定的数据预处理方法时。此外，基于卷积神经网络的方法在处理复杂和多通道数据时，诊断准确性也高于传统的基于机器学习的方法。
4) 长短期记忆网络在诊断车辆故障方面表现出色，能够有效分析时间序列数据，从而实现高准确性。这些网络还能够有效建模高维多变量特征的时空序列，以应对复杂场景。
虽然本综述主要关注了车辆故障诊断中常用的监督式机器学习和深度学习技术，但未涵盖许多值得进一步分析的无监督方法。此外，数字孪生、区块链和深度迁移学习等新兴技术在该领域的相关性日益增强，表明未来的综述需要考察它们的影响和潜力。
然而，本综述的见解能够帮助汽车行业的学者和专业人士做出关于选择和整合人工智能技术以实现有效故障诊断的明智决策。
扫码阅读全文
引用格式：
Vancouver Style
Hossain MN, Rahman MM, Ramasamy D. Artificial intelligence-driven vehicle fault diagnosis to revolutionize automotive maintenance: A review. Comput Model Eng Sci. 2024;141(2):951-996 https://doi.org/10.32604/cmes.2024.056022
CMES期刊简介
版权声明
本文由泰克赛思南京办公室负责编译。详细内容请以英文原版为准。如需转载，请于公众号后台留言咨询。
联系方式: cmes@techscience.com
喜欢今天的内容？给我们点个【在看】吧！
