随着自动驾驶技术不断地发展创新,汽车已逐渐成为人们日常生活中必不可少的交通工具。为了确保汽车系统运行的可靠性与安全性,减少交通事故的频繁发生,汽车系统的过程监控已成为当前主要的研究内容。基于数据驱动的故障诊断方法不需要搭建精确的解析模型,所需的先验知识较少,只需采集汽车系统的过程数据建立智能故障诊断模型。因此相比基于解析模型和基于知识的方法,该方法更适用于如今汽车系统的过程监控。在汽车发生故障的场景中,执行器和传感器故障所占比例较高,因此对汽车传感器故障诊断展开研究具有十分重要的理论意义和现实意义。本文针对汽车传感器开展故障检测与分类的研究工作,主要包括:(1)传统的基于主成分分析(PCA)的故障诊断方法假定过程变量符合高斯分布。汽车传感器过程数据具有强非高斯性特征。虽然快速独立成分分析(FastICA)算法能应用于非高斯过程数据的故障诊断,但是FastICA算法使用牛顿迭代法容易陷入局部最优值。为此,本文引入Adam优化算法提出改进的ICA算法。通过汽车传感器仿真实验,验证了改进的ICA算法相比FastICA算法的故障检测效果更有效。(2)汽车过程数据具有非线性和非高斯性特征。稀疏去噪自编码器(SDAE)可以降低特征维度,提高故障检测系统的非线性和鲁棒性。为进一步提高检测效果,本文将FastICA算法和SDAE结合提出ICA-SDAE的汽车故障检测方法。该方法首先使用FastICA算法提取过程数据的独立成分(非高斯成分),获得特征空间,再使用SDAE降低独立成分的维度,减少无关信号的干扰;在残差空间利用SDAE提取过程数据中的高斯信息;并提出了相应的统计量计算方法用于汽车故障检测。通过汽车传感器仿真实验,将该方法与ICA-PCA方法的检测效果进行比较,验证了该算法的有效性。(3)上述两种方法对汽车系统具有良好的故障检测能力,但不能有效地进行故障分类,而支持向量机(SVM)存在无法有效利用汽车过程数据时序性特征的问题。考虑到长短时记忆(LSTM)网络可以有效拟合序列数据,本文提出将LSTM网络应用于汽车故障分类。由于神经网络训练过程中不同层之间数据分布容易改变,本文引入批量标准化方法,并结合Adam优化算法提高故障分类的准确率。通过汽车传感器仿真实验,并将该方法与PCA-SVM方法的分类效果比较。结果表明该方法可以显著提高汽车系统故障分类的准确率。