随着基础建设行业的快速发展,工程车的需求量逐年增加。由于发动机电控单元（Engine Electronic Control Unit,EECU）长期处于震荡剧烈、高温及电磁干扰等恶劣工作环境中,导致其故障频发。激励信号是保障EECU正常启动和运行的关键,其具有种类繁多、特征复杂的特性,从而导致其识别困难,降低了 EECU故障诊断效率。由于曲轴、凸轮轴所产生的激励信号特征最为复杂多样并且在电控系统中起着至关重要的地位。因此针对上述问题,本文主要以曲轴、凸轮轴传感器作为研究对象,对其产生的激励信号进行识别分类研究:1.针对EECU激励信号存在特征复杂、提取困难且识别精度低等问题,本文设计了一种基于卷积神经网络的多标签EECU激励信号分类方法（Multi-label EECU Excitation Signal Classification based on Convolutional Neural Network,EESC-MLCNN）。首先对激励信号的工作原理进行了分析,在原始数据中提取出层次特征。其次,通过叠加多个非线性变换层、Sigmoid激活输出以及二值交叉熵（Binary Cross-Entropy）损失函数,构造了一种新的CNN网络对信号特征进行多标签分类。最后,采用实车数据和仿真数据相结合的方式来弥补训练数据集匮乏的缺陷,利用EESC-MLCNN进行多标签特征识别分类。在EECU激励信号检测的实验研究中,对所提出的EESC-MLCNN方法与MLKNN、MLDT等算法进行对比评估。实验结果表明,基于曲轴激励信号数据集对比算法精度在区间73.8%～87%内,本文所提出的EESC-MLCNN方法平均识别精度为88.3%;基于凸轮轴激励信号数据集对比算法精度在区间68.3%～87%内,本文所提出的EESC-MLCNN方法平均识别精度为91.4%。EESC-MLCNN较对比算法均有所提升。2.针对激励信号中的曲轴和凸轮轴信号同步特征不明显、从而导致检测困难的问题,本文提出了一种基于1DCNN网络模型的同步信号分类方法（Synchronization Signal Classification based on One-dimensional Convolutional Neural Network,SSC-1DCNN）。首先,本文提出了一种基于理论-实际误差检测的同步信号识别算法。通过分析曲轴和凸轮轴信号的特征参数得出信号的理论同步偏移值。根据传感器的类型,采用波峰二阶差分识别算法得出信号的实际同步偏移值。若两者偏移的差值满足一定的误差范围,则为同步信号。然后,自动为激励信号数据打上同步偏移量的标签,并放入SSC-1DCNN网络模型中进行训练并自适应地提取同步特征。最后,将网络训练好的最优模型对激励信号测试集进行验证。本文所提出的SSC-1DCNN方法与LTSM、GRU和随机森林RF算法进行对比评估。实验结果表明,LTSM在同步信号训练集上的平均识别精度为96%,GRU的平均识别精度为97%,RF算法的平均识别精度为99%,而本文所提的EESC-MLCNN方法的平均识别精度为100%,与上述模型相比,网络的识别分类能力更强。3.结合上述两种算法,本文研发了基于QT框架的EECU激励信号分类可视化系统。该系统主要包括多标签激励信号识别分类、曲轴和凸轮轴信号同步判别等功能。实验结果表明,本文开发的系统能够准确提取EECU激励信号的特征并判别曲轴和凸轮轴信号是否同步,方便用户识别激励信号的特征和同步故障信息。