基于粒計(jì)算-神經(jīng)網(wǎng)絡(luò)的汽車電子控制系統(tǒng)故障分析①

劉 濤

(安徽電子信息職業(yè)技術(shù)學(xué)院，安徽 蚌埠 233040)

0 引 言

國(guó)內(nèi)外有關(guān)汽車電子控制系統(tǒng)故障的研究大多停留在故障的人工診斷與分類層面，智能診斷分類的分析相對(duì)較少[1]。同時(shí)粒計(jì)算GrR(Granular Computing)逐漸發(fā)展成熟，其已經(jīng)在各行各業(yè)取得諸多的成績(jī)。粒計(jì)算能夠從大量數(shù)據(jù)中獲取信息和使用規(guī)則，但無法解決病態(tài)數(shù)據(jù)、容錯(cuò)性弱是該算法最大的缺點(diǎn)[2]。神經(jīng)網(wǎng)絡(luò)都具備容錯(cuò)性和學(xué)習(xí)力強(qiáng)、非線性的逼近等優(yōu)點(diǎn)，但數(shù)據(jù)規(guī)模龐大的情況下神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)極大下降。粒計(jì)算神經(jīng)網(wǎng)絡(luò)(granula compu-tation-neural network)能有效結(jié)合兩種算法的優(yōu)勢(shì)，訓(xùn)練速度明顯加快，且更低的訓(xùn)練樣本維度要求[3]。有鑒于此，此次研究提出通過粒計(jì)算-神經(jīng)網(wǎng)絡(luò)診斷汽車電子控制系統(tǒng)故障問題，通過粒計(jì)算結(jié)合反向傳播(back propagation，BP)神經(jīng)網(wǎng)絡(luò)和徑向基函數(shù)(radial basis function，RBF)神經(jīng)網(wǎng)絡(luò)分析汽車電子控制系統(tǒng)故障類型，旨在為今后智能診斷提供數(shù)據(jù)參考。

1 面向粒計(jì)算-神經(jīng)網(wǎng)絡(luò)的汽車電子控制系統(tǒng)故障分析

1.1 粒計(jì)算的知識(shí)約簡(jiǎn)算法

(1)

(2)

Cn×m=X×Y'

(3)

依賴度的計(jì)算公式為式(4)，N的M正域用POSM(N)表示，POSM(N)中的元素?cái)?shù)用card(POSM(N))指代，論域中元素?cái)?shù)量用card(U)指代。

β=|POSM(N)|/N=card(POSM(N))/card(U)

(4)

研究采用的基于粒計(jì)算的知識(shí)約簡(jiǎn)示意圖如圖1所示。第一步，確定決策屬性和條件屬性，同時(shí)創(chuàng)建決策信息系統(tǒng)，隨后進(jìn)入粒化階段，離散化和量化決策表。同時(shí)在粒度空間獲得計(jì)算粒度矩陣。然后判斷決策系統(tǒng)是否相容，假如決策系統(tǒng)不相容，則繼續(xù)分離子決策系統(tǒng)的操作，同時(shí)求得條件屬性對(duì)決策屬性的核M0。其次經(jīng)過決策粒度矩陣和條件粒度矩陣獲取相應(yīng)的依賴度。最后根據(jù)提取出來的規(guī)則判斷是否涵蓋論域，假如不是，則繼續(xù)以上操作直至獲取最小的屬性值，假如是，直接輸出最小屬性值，并結(jié)束操作。

圖1 基于粒計(jì)算的知識(shí)約簡(jiǎn)算法示意圖

1.2 面向粒計(jì)算-神經(jīng)網(wǎng)絡(luò)的故障分析

此次研究提出粒計(jì)算-神經(jīng)網(wǎng)絡(luò)進(jìn)行汽車電子控制系統(tǒng)故障分析。GrC-BP網(wǎng)絡(luò)通過松散耦合連接方式結(jié)合粒度計(jì)算和BP神經(jīng)網(wǎng)絡(luò)。GrC-RBF網(wǎng)絡(luò)通過松散耦合連接方式結(jié)合粒度計(jì)算和RBF神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)分別如圖2(a)和2(b)所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)總共分為輸入層、隱含層、輸出層3層，每層結(jié)構(gòu)之間沒有相互關(guān)系。數(shù)據(jù)傳輸分為前向傳播和反向傳播兩種方式，反向的傳播通過不斷修改權(quán)值和的閾值進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)[7-8]。這種結(jié)構(gòu)保證該網(wǎng)絡(luò)可以實(shí)現(xiàn)現(xiàn)主動(dòng)學(xué)習(xí)，具備非線性分類的能力。隱含層的節(jié)點(diǎn)數(shù)t通過式(5)確定。

(5)

式(4)中，輸入層和輸出層的節(jié)點(diǎn)數(shù)分別用x和y表示，s是常數(shù)，取值范圍為1～10。隱含層的傳遞函數(shù)使用tansig函數(shù)，輸出層的傳遞函數(shù)為logsig函數(shù)。RBF神經(jīng)網(wǎng)絡(luò)輸入節(jié)點(diǎn)的維度為n，隱含層使用高斯函數(shù)進(jìn)行的數(shù)據(jù)傳遞，其計(jì)算公式為式(6)。

ui=exp(-(x-Mi)T(x-Mi)/2δi2)

(6)

式(6)中，i∈(1,t)，輸入數(shù)據(jù)的向量用x=(x1,x2,...,xn)表示，標(biāo)準(zhǔn)化常數(shù)為δi，ui是指第個(gè)隱含層節(jié)點(diǎn)的輸出，取值范圍為[0,1]，高斯核函數(shù)的中心值用Mi指代。RBF函數(shù)為非線性函數(shù)，函數(shù)為一個(gè)徑向?qū)ΨQ函數(shù)，若數(shù)據(jù)輸入和對(duì)稱中心的距離越遠(yuǎn)，則隱含層的輸出則越小。反之，隱含層節(jié)點(diǎn)輸出值越大。它可以被設(shè)計(jì)為任意連續(xù)值，同時(shí)一個(gè)基函數(shù)對(duì)應(yīng)每個(gè)神經(jīng)元。該網(wǎng)絡(luò)的學(xué)習(xí)過程包括二方面。其一，判斷隱含層的節(jié)點(diǎn)數(shù)目以及RBF函數(shù)的中心值。其二，持續(xù)更新隱含層和輸出層間的權(quán)值[9-10]。不同RBF函數(shù)中心值的確定方法不同，常見的有以下四種，分為隨機(jī)選取固定中心、自組織選取中心、有監(jiān)督選取中心、正交最小二乘法選取中心。隨機(jī)選取固定中心是最為簡(jiǎn)單的學(xué)習(xí)策略，僅權(quán)值需要進(jìn)行訓(xùn)練，基函數(shù)的標(biāo)準(zhǔn)差和中心是一定的，其值來源于輸入樣本中的任意取值。自組織選取中心確定中心的方式為聚類方法，權(quán)值確定方法為最小均方算法。有監(jiān)督選取中心學(xué)習(xí)中心和其余參數(shù)的方法為監(jiān)督學(xué)習(xí)，同時(shí)通過誤差修正學(xué)習(xí)過程。正交最小二乘法選取中心是將線性回歸作為特殊代表，確定節(jié)點(diǎn)數(shù)和中心后，并通過正交化回歸矩陣得到權(quán)值。RBF網(wǎng)絡(luò)具備以下優(yōu)點(diǎn)，網(wǎng)絡(luò)的收斂速度快、沒有局部極小問題，輸出和輸入的映射能力較良好、連接權(quán)值和網(wǎng)絡(luò)輸出兩者呈線性關(guān)系。GrC-RBF神經(jīng)網(wǎng)絡(luò)算法流程圖如圖3所示。首先獲取原始樣本數(shù)據(jù)，并通過知識(shí)約簡(jiǎn)算法屬性約簡(jiǎn)處理數(shù)據(jù)得到最小屬性集。然后將得到的有效數(shù)據(jù)輸入RBF網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)訓(xùn)練。接下來初始化每層網(wǎng)絡(luò)的閾值和權(quán)重，經(jīng)前面的步驟得到訓(xùn)練輸出結(jié)果，并獲得實(shí)際輸出和期望輸出的差值。當(dāng)期望輸出和實(shí)際輸出兩者的誤差在允許范圍內(nèi)，假如在誤差范圍以內(nèi)，則保存訓(xùn)練網(wǎng)絡(luò)并結(jié)束訓(xùn)練過程。假如沒有在誤差范圍內(nèi)，則通過更新權(quán)重和閾值的方式再次進(jìn)行學(xué)習(xí)直至最終的誤差范圍滿足要求。GrC-BP神經(jīng)網(wǎng)絡(luò)區(qū)別于GrC-RBF神經(jīng)網(wǎng)絡(luò)算法流程圖主要有兩點(diǎn)，其一是確定的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)而不是RBF神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。其二是使用的訓(xùn)練網(wǎng)絡(luò)為BP神經(jīng)網(wǎng)絡(luò)而不是RBF神經(jīng)網(wǎng)絡(luò)[11-12]。研究引入均方誤差(MSE)衡量網(wǎng)絡(luò)的性能，該值越小，表示測(cè)量的準(zhǔn)確性越高，網(wǎng)絡(luò)的性能更好。其計(jì)算公式為式(7)。

圖3 GrC-RBF神經(jīng)網(wǎng)絡(luò)算法流程圖

基于 Gr C-NN 的汽車故障診斷示意圖如圖4所示，該模型主要包括GrC屬性約簡(jiǎn)和神經(jīng)網(wǎng)絡(luò)診斷部分。該模型中神經(jīng)網(wǎng)絡(luò)的前端信息處理器為粒計(jì)算，第一步，通過強(qiáng)大屬性約簡(jiǎn)能力刪除冗雜數(shù)據(jù)并得到最小屬性值。這也就是經(jīng)過等頻率離散法量化和離散化處理汽車電子控制系統(tǒng)的故障數(shù)據(jù)，同時(shí)清除故障數(shù)據(jù)中重復(fù)的數(shù)據(jù)并獲得屬性約簡(jiǎn)決策表，接著經(jīng)過粒矩陣計(jì)算程得到故障數(shù)據(jù)的核屬性，進(jìn)而得到樣本故障數(shù)據(jù)的最小屬性表。第二步，構(gòu)建GrC-NN神經(jīng)網(wǎng)絡(luò)模型。這個(gè)步驟中最關(guān)鍵的環(huán)節(jié)是訓(xùn)練神經(jīng)網(wǎng)絡(luò)確定模型參數(shù)，具體為輸入約簡(jiǎn)后樣本數(shù)據(jù)中的條件屬性，輸出決策屬性。第三步，經(jīng)過最小屬性集的測(cè)試樣本得到最終的診斷結(jié)果。

圖4 基于 Gr C-NN 的汽車故障診斷示意圖

2 汽車電子控制系統(tǒng)故障仿真分析

2.1 粒計(jì)算約簡(jiǎn)性能分析

實(shí)驗(yàn)利用MATLAB軟件模擬汽車電子控制系統(tǒng)故障，驗(yàn)證所提出故障診斷模型的有效性。車輛加速過程中，設(shè)置車速傳感器故障和加速踏板位置傳感器故障，收集發(fā)動(dòng)機(jī)轉(zhuǎn)速、發(fā)電機(jī)轉(zhuǎn)速、節(jié)氣門位置、車速、加速踏板位置五類數(shù)據(jù)，總共對(duì)208組。前面105組數(shù)據(jù)和后面103組數(shù)據(jù)分別訓(xùn)練樣本和測(cè)試樣本。等頻率離散后，五種故障數(shù)據(jù)分為1-4等級(jí)，信號(hào)范圍從小到大。以節(jié)氣門位置傳感器的信號(hào)范圍為例，<0.5、0.5～3.8、3.8～4.5、>4.5分別對(duì)應(yīng)1-4個(gè)等級(jí)。離散化后的部分決策信息結(jié)果如表1所示。

表1 離散化后的決策信息

條件屬性{A、B、C、D、E}中，五個(gè)字母分別表示發(fā)動(dòng)機(jī)轉(zhuǎn)速、發(fā)電機(jī)轉(zhuǎn)速、節(jié)氣門位置、車速、加速踏板位置。決策變量F={1，2，3}中，1-3分別表示正常、加速踏板位置傳感器故障、車速傳感器故障。經(jīng)過前述公式計(jì)算可得到不同條件的依賴度，因此汽車電子控制系統(tǒng)的核屬性為{A，C}。最終得到最小屬性值為{A，B，C}，如表2所示。條件屬性從先前的5個(gè)減至3個(gè)，因此減少了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

表2 最小屬性值

2.2 粒計(jì)算-神經(jīng)網(wǎng)絡(luò)的性能分析

研究分析粒計(jì)算性能的基礎(chǔ)上，進(jìn)一步驗(yàn)證粒計(jì)算-神經(jīng)網(wǎng)絡(luò)的性能。神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層的神經(jīng)元數(shù)目均為3。輸出向量{B1,B2,B3}可以分為四類狀態(tài)，分別為100、010、001、000。001是指車速傳感器發(fā)生障礙，010是指加速踏板位置的傳感器發(fā)生故障，100是指汽車正常行進(jìn)，000其他可能狀態(tài)。設(shè)置最大的訓(xùn)練次數(shù)為1000次，目標(biāo)MSE為0.5%，學(xué)習(xí)率為0.02。BP 和GrC-BP神經(jīng)網(wǎng)絡(luò)的誤差訓(xùn)練曲線圖分別如圖5(a)和5(b)所示。屬性約簡(jiǎn)前后訓(xùn)練后能滿足MSE時(shí)，BP 和GrC-BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練步長(zhǎng)依次為91次和28次。此時(shí)相應(yīng)的MSE分別為0.0013和0.0018。GrC-BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練步長(zhǎng)遠(yuǎn)低于BP神經(jīng)網(wǎng)絡(luò)。同時(shí)由于簡(jiǎn)化屬性集和原始屬性集仍然存在差異，因此模型的均方誤差稍稍有所增加。同時(shí)診斷輸出結(jié)果和期望輸出顯示，GrC-BP神經(jīng)網(wǎng)絡(luò)的測(cè)試精度稍稍弱于BP神經(jīng)網(wǎng)絡(luò)，同時(shí)故障診斷方法可以檢測(cè)出故障原因。

圖5 BP 和GrC-BP神經(jīng)網(wǎng)絡(luò)的誤差訓(xùn)練曲線圖

設(shè)置高斯基函數(shù)的擴(kuò)展速度為2，RBF和GrC-RBF神經(jīng)網(wǎng)絡(luò)的誤差訓(xùn)練曲線圖分別如圖6(a)和6(b)所示。屬性約簡(jiǎn)前后訓(xùn)練后能滿足MSE時(shí)，RBF和GrC-RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練步長(zhǎng)依次為78次、11次。此時(shí)相應(yīng)的MSE分別為0.0012和0.0015。同時(shí)診斷輸出結(jié)果和期望輸出顯示，GrC-RBF神經(jīng)網(wǎng)絡(luò)的測(cè)試精度稍稍弱于RBF神經(jīng)網(wǎng)絡(luò)，同時(shí)故障診斷方法可以檢測(cè)出故障原因。

圖6 RBF 和GrC-RBF神經(jīng)網(wǎng)絡(luò)的誤差訓(xùn)練曲線圖

測(cè)試樣本在四種神經(jīng)網(wǎng)絡(luò)下的診斷誤差如圖7所示。BP 和GrC-BP神經(jīng)網(wǎng)絡(luò)兩種網(wǎng)絡(luò)的輸出的誤差相差不大，因此知識(shí)約簡(jiǎn)后并沒有影響汽車電子控制系統(tǒng)的準(zhǔn)確性。RBF和GrC-RBF神經(jīng)網(wǎng)絡(luò)兩種網(wǎng)絡(luò)的輸出的誤差相差不大，因此知識(shí)約簡(jiǎn)后并沒有影響汽車電子控制系統(tǒng)的準(zhǔn)確性。綜合分析，利用GrC-NN進(jìn)行故障診斷既可以避免神經(jīng)網(wǎng)絡(luò)引起的樣本訓(xùn)練難題和高維度數(shù)據(jù)的輸出問題，同時(shí)也能保證故障診斷的準(zhǔn)確性。

圖7 四種神經(jīng)網(wǎng)絡(luò)診斷誤差對(duì)比情況

3 結(jié) 論

汽車電子控制系統(tǒng)的故障診斷技術(shù)和汽車運(yùn)行安全和穩(wěn)定息息相關(guān)。此次研究針對(duì)目前汽車電子控制系統(tǒng)的故障診斷現(xiàn)狀，提出基于粒計(jì)算-神經(jīng)網(wǎng)絡(luò)的故障診斷方法，在分析粒計(jì)算和神經(jīng)網(wǎng)絡(luò)兩種算法的優(yōu)劣勢(shì)的基礎(chǔ)上，分別構(gòu)建GrC-BP神經(jīng)網(wǎng)絡(luò)和GrC-RBF神經(jīng)網(wǎng)絡(luò)的故障診斷模型。屬性約簡(jiǎn)前后訓(xùn)練后能滿足MSE時(shí)，BP 和GrC-BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練步長(zhǎng)依次為91次和28次。RBF和GrC-RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練步長(zhǎng)依次為78次和11次。GrC-BP神經(jīng)網(wǎng)絡(luò)的測(cè)試精度稍稍弱于BP神經(jīng)網(wǎng)絡(luò)，GrC-RBF神經(jīng)網(wǎng)絡(luò)的測(cè)試精度稍稍弱于RBF神經(jīng)網(wǎng)絡(luò)，本文僅對(duì)汽車電子控制系統(tǒng)中加速故障環(huán)境進(jìn)行仿真分析，后續(xù)還需要進(jìn)行其余環(huán)境的仿真驗(yàn)證。