基于人工智能神經(jīng)網(wǎng)絡(luò)技術(shù)的汽車故障診斷

唐風敏

（中國汽車技術(shù)研究中心有限公司，天津 300300）

1 前言

汽車遠程故障診斷系統(tǒng)是指在汽車工作時，實時獲取汽車各種狀態(tài)數(shù)據(jù)，通過分析處理獲得汽車的故障信息，并上傳至數(shù)據(jù)處理中心，系統(tǒng)會根據(jù)這些信息對汽車的故障進行診斷，并反饋出最佳的解決方案。在條件允許的情況下實施遠程自動消除，如無法遠程消除則以短信方式通知車主，確保車主及時了解車輛故障，以防行車中危險發(fā)生。同時，要將相關(guān)故障信息，車輛信息發(fā)送到4S店中，及時聯(lián)系客戶安排具體的維修時間、方案等。

由于現(xiàn)在汽車電控系統(tǒng)的復(fù)雜性和故障的多樣化，使得判斷故障及制定解決方案時很難快速準確地找到最佳方案。這是因為故障原因和故障現(xiàn)象沒有一對一的映射關(guān)系，往往一個故障原因可以產(chǎn)生多種故障現(xiàn)象，一個故障現(xiàn)象也往往可以有多種故障原因［1］。在汽車的故障診斷中，通常沒有明確的故障等級分界 （如發(fā)動機噪聲“較大”和“很大”），這種模糊的描述方式對我們作出準確的判斷有很大程度的影響。因此，這里引入人工智能神經(jīng)網(wǎng)絡(luò)算法，此問題便迎刃而解。

2 分析

2.1 需求

首先，我們要擁有最為詳實的維修數(shù)據(jù)庫，使得確保在最短時間內(nèi)調(diào)取數(shù)據(jù)庫中維修方案為用戶提供技術(shù)支持，這樣就克服了維修點和OEM之間的地域差距問題，節(jié)省了工程師出差費用。其次，收集盡可能多的故障類型和相應(yīng)的維修方案及用戶體驗的數(shù)據(jù)，以此為基礎(chǔ)完善該車型后續(xù)的升級優(yōu)化策略，提升用戶的滿意度。

同時，該系統(tǒng)要囊括車輛定位服務(wù)、車輛實時監(jiān)控、安全氣囊彈出求助、讀取數(shù)據(jù)流、讀取故障碼、故障報警處理、清除故障碼、車輛救援服務(wù)、車輛保養(yǎng)提醒、車輛安全系統(tǒng)、車聯(lián)網(wǎng)客服中心、碰撞自求助等功能。

2.2 組成

遠程診斷系統(tǒng)由遠程診斷儀、后臺數(shù)據(jù)中心、用戶終端3部分構(gòu)成。其中后臺數(shù)據(jù)中心是整個系統(tǒng)的核心，遠程診斷儀采集的診斷數(shù)據(jù)將全部傳輸給后臺數(shù)據(jù)中心，通過后臺數(shù)據(jù)中心的數(shù)據(jù)處理，通過用戶終端與研發(fā)、測試、試制、售后、生產(chǎn)制造、用戶進行數(shù)據(jù)交互［2］。系統(tǒng)框圖如圖1所示。

2.3 問題分析

針對后臺數(shù)據(jù)中心這個診斷系統(tǒng)的核心部分，傳統(tǒng)方案通常不能充分利用這個信息量巨大的資源，經(jīng)常是根據(jù)工程師及相關(guān)專家的經(jīng)驗通過故障現(xiàn)象推測出故障原因，又由于在遠程診斷系統(tǒng)中，工程師不能親臨現(xiàn)場，無法實地考察，只能通過網(wǎng)絡(luò)傳輸?shù)墓收洗a等信息來判斷，這就大大提高了工作難度。

圖1 診斷系統(tǒng)框圖

在診斷過程中，往往存在許多的不確定性，診斷儀所反饋的信息通常不完整不詳實，面對這些模糊的信息，利用神經(jīng)網(wǎng)絡(luò)聚類融合的特性，并且以足夠大的診斷案例數(shù)據(jù)為基礎(chǔ)，經(jīng)過大量的訓(xùn)練即可將故障現(xiàn)象的故障原因以一個較為準確的數(shù)學模型映射出來，必將大大提高遠程診斷效率和準確性。

3 方案

3.1 設(shè)計思路

通過不定時地對汽車各部件特征 （如蓄電池電壓、發(fā)動機冷卻液溫度、踏板位置等）等間隔采樣若干次，確定故障現(xiàn)象特征向量X，對X進行歸一化處理得到神經(jīng)網(wǎng)絡(luò)輸入向量X，通過神經(jīng)網(wǎng)絡(luò)映射出故障原因Y，從而獲得具體故障原因和安全等級，并迅速通過GPRS、3G或4G網(wǎng)絡(luò)將故障原因解決方案等通知駕駛員，提供必要的技術(shù)支持。

3.2 具體方案

3.2.1 故障診斷系統(tǒng)結(jié)構(gòu)

根據(jù)汽車內(nèi)部組件的工作機理和故障產(chǎn)生的可能來源設(shè)計了一個故障診斷系統(tǒng)，該故障診斷系統(tǒng)框圖如圖2所示。

圖2 故障診斷系統(tǒng)

由圖2可知，在汽車啟動運行后，通過各個部件的傳感器采集實時數(shù)據(jù)，根據(jù)聚類融合的思想，傳感器數(shù)據(jù)Sx，x∈{T，P，V}，經(jīng)過網(wǎng)絡(luò)聚類后，得到相應(yīng)的故障類別Fx，x∈{T，P，V}。這里x取不同的符號表示由T（溫度）、P（壓力）、V（速度）的異常而引起的汽車故障。

式中：n——某采樣點采集數(shù)據(jù)個數(shù)；m——采樣點個數(shù)。

同理

式中：n——某采樣點采集數(shù)據(jù)個數(shù)；j——采樣點個數(shù)。

所有監(jiān)測類型所檢測數(shù)據(jù)都可以以此形式表示出來，這里只以這3種為例，后文也只建立以這3種檢測數(shù)據(jù)為基礎(chǔ)的診斷模型。

3.2.2 汽車聚類融合故障診斷結(jié)構(gòu)

通過這3組傳感器分別獲得不同監(jiān)測點的實時數(shù)據(jù)，其中在溫度傳感系統(tǒng)中初步提取發(fā)動機進氣溫度、發(fā)動機冷卻液溫度、發(fā)動機機油溫度、變速器潤滑油油溫4組溫度監(jiān)測數(shù)據(jù)。在壓力傳感系統(tǒng)中初步提取機油壓力、進氣壓力、輪胎壓力、ABS油壓4組壓力監(jiān)測數(shù)據(jù)。在速度傳感系統(tǒng)中初步提取發(fā)動機轉(zhuǎn)速、輪胎轉(zhuǎn)速2組速度監(jiān)測數(shù)據(jù)。

這3組被監(jiān)測的物理量可能對某一故障都會產(chǎn)生某一片面的故障現(xiàn)象，但都不能全面地反映故障原因，于是通過神經(jīng)網(wǎng)絡(luò)聚類融合技術(shù)將各種故障現(xiàn)象聚類分析，綜合考量會得到更為具體全面的結(jié)果。設(shè)計的原理結(jié)構(gòu)圖如圖3所示。

圖3 聚類融合原理結(jié)構(gòu)圖

在圖3聚類融合原理結(jié)構(gòu)圖中，采用了分布式和兩級的聚類融合控制系統(tǒng)結(jié)構(gòu)［3-4］，第1級由10個ART-2神經(jīng)網(wǎng)絡(luò)構(gòu)成，分別對3組不同物理傳感信號進行融合，第2級用1個BP神經(jīng)網(wǎng)絡(luò)對第1級融合的結(jié)果進行2次融合，最終融合結(jié)果輸入到不同的聚類融合空間，經(jīng)復(fù)雜映射到類別空間，由網(wǎng)絡(luò)自行運算得到了控制策略，這個策略可以幫助我們進行故障診斷、事故預(yù)報、生產(chǎn)指導(dǎo)等具體工作［5］。

該網(wǎng)絡(luò)系統(tǒng)的具體映射過程如圖4所示。

圖4 網(wǎng)絡(luò)映射過程

3.2.3 數(shù)學模型初步建立

在BP神經(jīng)網(wǎng)絡(luò)中的網(wǎng)絡(luò)數(shù)學模型包括：節(jié)點輸出模型和作用函數(shù)模型。

隱層節(jié)點輸出模型：

輸出節(jié)點輸出模型：

式中：f——非線性作用函數(shù)；q——神經(jīng)元閾值。

作用函數(shù)模型：

作用函數(shù)一般取為（0，1）內(nèi)連續(xù)取值Sigmoid函數(shù)：

在這個網(wǎng)絡(luò)模型的傳感器模式空間中，記錄數(shù)據(jù)如下。

將記錄的數(shù)據(jù)轉(zhuǎn)化為狀態(tài)信息，每一個測量值都有其正常范圍。我們規(guī)定：當測量值在該范圍內(nèi)時，令狀態(tài)值為1，當測量值不在該范圍內(nèi)時，令狀態(tài)值為0。舉例說明。

壓力和速度的狀態(tài)信息都可以用此形式表示。

由于我們所診斷的汽車故障通常都是會維持一段時間的，所以我們可以將傳感器數(shù)據(jù)采樣方式設(shè)置為采樣間隔2s，采樣窗口大小為20s，這樣每個采樣點在一個采樣窗口中可以采集11個數(shù)據(jù)。將這3組采集到的數(shù)據(jù)經(jīng)信息處理模塊進入輸入信息空間X，即將這3組數(shù)據(jù)經(jīng)過第1級的10個ART-2神經(jīng)網(wǎng)絡(luò)融合后，得到了各自輸入向量Xi。

系統(tǒng)的輸入信息空間輸入向量

由系統(tǒng)輸入信息空間經(jīng)映射Φ到聚類融合空間C，這里映射Φ由10個ART-2神經(jīng)網(wǎng)絡(luò)組成每個網(wǎng)絡(luò)的維數(shù)K=11，其他參數(shù)如對比度常數(shù)，調(diào)整子系統(tǒng)常數(shù)等以及之后的BP神經(jīng)網(wǎng)絡(luò)模型的建立均需要根據(jù)具體實際情況由專業(yè)數(shù)學建模人員來完成。之后再由聚類融合空間C經(jīng)映射φ到類別空間。這里類別空間即指導(dǎo)致汽車發(fā)生故障現(xiàn)象的故障原因 （故障原因需要通過后臺中心數(shù)據(jù)庫中大量診斷病例來獲得）和故障等級，如將故障分為①正常、②輕微、③一般、④嚴重、⑤非常嚴重5個等級，通過建立特定的BP神經(jīng)網(wǎng)絡(luò)模型，輸出對應(yīng)的故障原因和故障等級［6］。

BP神經(jīng)網(wǎng)絡(luò)的建立需要通過對大量的采集數(shù)據(jù)進行訓(xùn)練自學習，通常用MATLAB工具建立BP神經(jīng)網(wǎng)絡(luò)仿真模型，我們需要對這個模型輸入后臺數(shù)據(jù)庫中大量的診斷案例的故障現(xiàn)象和故障原因及故障等級的對應(yīng)關(guān)系，設(shè)置學習率，訓(xùn)練步數(shù)，經(jīng)過多步的訓(xùn)練自學習從而由該BP網(wǎng)絡(luò)自行建立一個復(fù)雜的模糊映射關(guān)系。這個復(fù)雜的映射關(guān)系建立成功后，再有數(shù)據(jù)輸入就會產(chǎn)生對應(yīng)的輸出。也就是說，輸入故障現(xiàn)象向量X，經(jīng)過網(wǎng)絡(luò)映射就會得到故障原因和故障等級向量Y。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

最后輸出向量Y經(jīng)映射ψ到控制策略空間U，這個空間可為我們提供相應(yīng)的診斷方案、事故預(yù)報和生產(chǎn)指導(dǎo)。這樣，一個完整的基于人工智能神經(jīng)網(wǎng)絡(luò)的遠程故障診斷系統(tǒng)就搭建完畢。

4 結(jié)束語

通過這個人工智能神經(jīng)網(wǎng)絡(luò)遠程診斷系統(tǒng)可以實現(xiàn)當故障發(fā)生時，僅通過將各個部件設(shè)置的傳感器系統(tǒng)所采集的物理信息輸入該智能系統(tǒng)，就可得到我們通常很難判斷準的故障原因和故障等級以及種種售后服務(wù)信息，再經(jīng)由GPRS或3G或4G網(wǎng)絡(luò)將這些信息發(fā)送給用戶［7-8］，不僅及時為用戶提供了必要的技術(shù)支持，更增加了售后服務(wù)的人性化智能化的特點，也將大大提高用戶體驗的滿意度［9-10］。