频发的三元催化器故障严重影响着燃油汽车尾气排放水平,加重了汽车造成的环境污染。基于物理化学原理的三元催化器故障诊断模型,因采用约束条件对模型简化,难以全面刻画其在复杂不确定交通环境中的故障工况,导致故障诊断模型的泛化能力不足,诊断精度不高。现代传感与通信技术的发展,使得对汽车尾气的监控更为方便可行,产生了海量的尾气排放数据,为从数据驱动角度研究三元催化器故障诊断提供可行途径。本研究以携带三元催化器故障信息的汽车尾气数据为基础,以支持向量机、神经网络等机器学习方法为手段,面向三元催化器复杂系统开展故障诊断理论及应用研究。具体如下:(1)针对高维多尺度的故障特征提取,采用稀疏表示学习的方法对三元催化器进行故障诊断。通过鲁棒主成份分析法进行尾气数据预处理,构建稀疏编码所需完备特征字典;通过正向匹配追踪算法提取尾气数据的稀疏特征向量,构建稀疏故障特征向量驱动的最小二乘支持向量机分类模型,实现三元催化器故障多分类。(2)针对故障特征稀疏化过程中带来的故障信息丢失问题,采用深度学习的方法对三元催化器进行故障诊断。通过哈弗曼编码理论构建深度递归神经网络;以维度不一致的尾气数据作为递归神经网络的输入,通过对故障状态频率的逐层统计学习,实现在高维空间中对三元催化器故障特征的统一精细化描述。构建深度循环神经网络网络作为故障分类器,将精细化表征的故障特征提交给循环神经网络,在循环神经网络驱动下,通过有监督残差学习,实现三元催化器多类故障的准确分类。实验结果表明:在稀疏特征驱动下,基于最小二乘支持向量机的故障诊断方法对5类状态故障诊断的平均准确率为91.96%,而过热老化故障的诊断准确率较低,为84.16%。在精细化特征驱动下,基于深度神经网络的故障诊断方法的泛化性能优于前者,对5类状态故障诊断的平均准确率为96.40%,对过热老化故障的诊断准确率为98.00%。