基于CNN-LSTM去噪自编码器与DBSCAN聚类的智能背靠背测试故障检测方法研究

针对汽车软件系统（ASSs）背靠背（B2B）测试中传统阈值分析方法的局限性，研究人员提出了一种结合CNN-LSTM去噪自编码器（DAE）和DBSCAN聚类的智能故障检测与聚类方法。该方法在噪声条件下实现了96.15%的F1-score和0.159的DBI，测试时间仅5.2 ms，显著提升了复杂动态系统的安全性与可靠性验证效率。

　　

随着汽车软件系统（ASSs）向智能化、网联化发展，其复杂性呈指数级增长，传统基于专家经验和固定阈值的背靠背（B2B）测试方法已难以应对非线性、多变量且含噪声的动态系统验证需求。据研究统计，人工分析20组测试记录需耗费18-20小时，且标准偏差高达1.11，导致效率低下且易漏检关键故障。更严峻的是，工业工具对系统实现与模型间差异的辨识能力有限，可能忽略安全关键缺陷。这些问题直接威胁到符合ISO 26262标准的功能安全认证，亟需一种自动化、高精度的智能分析方法。

针对这一挑战，国外研究团队在《Results in Engineering》发表了一项创新研究，提出融合卷积长短时记忆去噪自编码器（CNN-LSTM-based DAE）与密度聚类（DBSCAN）的智能分析框架。该研究通过模型开发与部署两阶段设计，利用健康数据集训练DAE模型提取特征并重构信号，通过重建误差阈值实现故障检测；再通过DBSCAN对潜在层特征聚类，最终在汽油发动机和车辆动态系统案例中验证了方法的通用性。

关键技术方法包括：1）基于Matlab/Simulink和dSPACE HIL平台构建多场景测试数据集；2）采用超参数优化（TPE采样器）开发CNN-LSTM-DAE架构，包含6层网络和ELU激活函数；3）引入高斯噪声（3%-10%）增强模型鲁棒性；4）基于99百分位MSE阈值（0.0058）触发DBSCAN聚类，参数ε和MinPts通过密度自适应确定。

研究结果方面：

1. 开发阶段性能：在10%噪声水平下，DAE模型达到0.9768的R²和0.0031的MSE，优于BI-LSTM、PCA+SVM等基线模型。
2. 故障检测效能：对转速传感器（RPM）增益故障的检测精度达97.64%，F1-score为0.9842；在城市场景中虽受手动驾驶干扰仍保持86.36%的F1-score。
3. 聚类优化：DBSCAN在多重故障区间（如[55,70]秒）实现0.941的DBI，较K-means提升82%，处理时间仅5.2 ms。
4. 实时部署：在HIL测试中，系统自动跳过健康区间（健康比>90%），对并发故障的聚类可视化清晰分离三类特征（图17）。

结论表明，该研究首次将深度自编码器引入B2B测试分析，通过特征学习与密度聚类的协同机制，解决了传统方法在高维、噪声数据中的泛化难题。实际意义在于：1）将单次测试分析时间从20小时缩短至毫秒级；2）支持未知故障类型的自动发现，符合ISO 26262对ASIL C/D系统的严苛要求；3）为复杂动态系统（如ADAS）的实时验证提供标准化工具链。未来可扩展自监督学习框架，进一步降低对标注数据的依赖。