基于人工智能的汽油車發(fā)動(dòng)機(jī)故障診斷研究

蔣永敏 金紅基

摘要：近些年來(lái)，伴隨著我國(guó)經(jīng)濟(jì)發(fā)展速度的不斷加快，在科學(xué)技術(shù)領(lǐng)域也有了全新的突破，現(xiàn)如今人工智能技術(shù)已經(jīng)能夠應(yīng)用到各個(gè)領(lǐng)域當(dāng)中，并取得了不錯(cuò)的成果。本文中，筆者就結(jié)合人工智能視角下的汽油車發(fā)動(dòng)機(jī)故障診斷進(jìn)行分析，提出了多信息融合、基于RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)層、基于支持向量機(jī)的特征層以及基于D_S證據(jù)理論的決策層這四種故障診斷方法，希望能夠提高汽油車發(fā)動(dòng)機(jī)的故障診斷能力。

Abstract： In recent years， with the continuous acceleration of China's economic development， there have been new breakthroughs in the field of science and technology. Now artificial intelligence technology has been able to be applied to various fields， and achieved good results. In this article， the author is combined with artificial intelligence under the perspective of gasoline car engine fault diagnosis were analyzed， and puts forward the multiple information fusion based on RBF neural network， the data layer， feature layer based on support vector machine （SVM） and policy makers based on the theory of the D_S evidence that four kinds of fault diagnosis methods， hoping to improve gasoline car engine fault diagnosis ability.

關(guān)鍵詞：人工智能;汽油車;發(fā)動(dòng)機(jī)故障;故障診斷

Key words： artificial intelligence;gasoline vehicles;engine failure;fault diagnosis

中圖分類號(hào)：U472.4? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號(hào)：1674-957X（2021）23-0109-02

0? 引言

現(xiàn)階段，伴隨著汽車技術(shù)的不斷成熟與發(fā)展，其發(fā)動(dòng)機(jī)的種類也越來(lái)越多，因此不同的發(fā)動(dòng)機(jī)也會(huì)有不同的電子控制系統(tǒng)，但是從基本組成與控制原理的角度來(lái)看大體相似。目前，汽油車發(fā)動(dòng)機(jī)最常見(jiàn)的故障現(xiàn)象有以下幾種：?jiǎn)?dòng)困難、失速、加速時(shí)回火、怠速不穩(wěn)、熄火、怠速高、加速無(wú)力、易震爆、溫度過(guò)高以及消聲器放炮等。而導(dǎo)致這些故障出現(xiàn)的原因十分復(fù)雜，為此就必須要提高故障診斷的水平與準(zhǔn)確性。人工智能的出現(xiàn)則為汽油車發(fā)動(dòng)機(jī)故障診斷工作帶來(lái)了前所未有的便利，能夠極大的提高故障診斷效率與精確性。

1? 多信息融合故障診斷方法

1.1 可行性分析? 從目的與要求上來(lái)看，多信息融合這種技術(shù)和故障診斷是相似的，故障診斷就是要結(jié)合數(shù)據(jù)源，針對(duì)一切可能發(fā)生的故障進(jìn)行分析、判斷和預(yù)測(cè)。這個(gè)處理過(guò)程就是針對(duì)數(shù)據(jù)進(jìn)行采集與處理，分析與判斷故障發(fā)生原因與位置。在多信息融合當(dāng)中，不同的特征數(shù)據(jù)以及源數(shù)據(jù)，對(duì)應(yīng)著不同的故障原因，借助于多傳感器針對(duì)發(fā)動(dòng)機(jī)各個(gè)部位的活動(dòng)特征進(jìn)行反映，而后通過(guò)數(shù)據(jù)層與特征層對(duì)這些信息進(jìn)行篩查與結(jié)果分析，這和故障源的數(shù)據(jù)信息處理方式大體相似。另外，故障分類的故障診斷模式和多信息融合的決策層，在作用上是一致的，故障診斷當(dāng)中結(jié)果支持度的計(jì)算可以通過(guò)決策層來(lái)完成。在整個(gè)工作過(guò)程中，發(fā)動(dòng)機(jī)發(fā)生故障的信息十分復(fù)雜，而新發(fā)動(dòng)機(jī)技術(shù)不斷的發(fā)展也帶來(lái)了更多問(wèn)題，怎樣應(yīng)對(duì)越來(lái)越復(fù)雜的信息，是現(xiàn)如今需要著重考慮的。一旦多信息融合這種故障診斷方法得到應(yīng)用，則能夠完美的解決這部分問(wèn)題，由此可見(jiàn)，這種方法是可行的。

1.2 多信息融合診斷模型構(gòu)建? 通過(guò)上述可行性分析，接下來(lái)需要構(gòu)建一個(gè)多信息融合的故障診斷模型。從根本上說(shuō)，故障診斷就是要結(jié)合故障發(fā)生的征兆，判斷出具體的發(fā)生原因與位置。伴隨著車輛生產(chǎn)與加工技術(shù)的快速升級(jí)，發(fā)動(dòng)機(jī)在結(jié)構(gòu)上越來(lái)越復(fù)雜，如果源數(shù)據(jù)與特征信息過(guò)于單一，則不能夠良好的體現(xiàn)出對(duì)象狀態(tài)，因此可以利用多信息融合提高故障診斷的精確性、科學(xué)性與實(shí)效性。借助于不同角度的信息來(lái)更全面的展示發(fā)動(dòng)機(jī)狀態(tài)。結(jié)合數(shù)據(jù)抽象這一層次來(lái)說(shuō)，這種故障診斷模型基本可劃分為三個(gè)層次，即數(shù)據(jù)層、決策層與特征層，并且具備一定的非線性問(wèn)題處理能力、自學(xué)能力、容錯(cuò)能力以及快速判斷故障類型等能力。通過(guò)在小樣本決策中適用的多種故障分類診斷的算法，構(gòu)建起屬于特征層模型;通過(guò)具備更有利于對(duì)非確定問(wèn)題進(jìn)行表達(dá)的決策層模型，對(duì)數(shù)據(jù)層和特征層之間的各種信息源進(jìn)行整合，從而不斷提高故障診斷精確度。

2? 基于RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)層故障診斷方法

2.1 可行性分析? 一般來(lái)說(shuō)，RBF具有極強(qiáng)的容錯(cuò)能力與自主學(xué)習(xí)能力，因此未來(lái)能夠更加廣泛的應(yīng)用到汽油車發(fā)動(dòng)機(jī)故障診斷當(dāng)中。結(jié)合發(fā)動(dòng)機(jī)各種各樣的故障發(fā)生原因分析可知，當(dāng)發(fā)動(dòng)機(jī)處于不同的工作環(huán)境、工作狀態(tài)當(dāng)中時(shí)，其體現(xiàn)出的數(shù)據(jù)信息也具有一定的差異性，針對(duì)發(fā)動(dòng)機(jī)不同工作狀態(tài)下的信號(hào)信息進(jìn)行采集，借助于基于BRF神經(jīng)網(wǎng)絡(luò)的人工智能計(jì)算方法，能夠構(gòu)建起一個(gè)強(qiáng)大的故障診斷模型，并服務(wù)于數(shù)據(jù)層，能夠精確且及時(shí)的將故障類型與位置反映出來(lái)。在多信息融合方法當(dāng)中，數(shù)據(jù)層信息主要是傳感器當(dāng)中的參數(shù)，主要的特點(diǎn)就是原始數(shù)據(jù)相對(duì)保存完整且信息量較大，而RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)層則具有更好的容錯(cuò)性與冗余性，再加之自身強(qiáng)大的學(xué)習(xí)能力，可以更好的服務(wù)于數(shù)據(jù)層，提供更高的數(shù)據(jù)信息融合處理水平[1]。由此可見(jiàn)，基于RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)層故障診斷方法具有一定的可行性。

2.2 RBF數(shù)據(jù)層故障診斷模型構(gòu)建? 一般來(lái)說(shuō)BRF神經(jīng)網(wǎng)絡(luò)當(dāng)中可以劃分為輸入層、輸出層與隱含層。其中隱含層在輸入與輸出樣本當(dāng)中扮演著紐帶的角色，隱含層在網(wǎng)絡(luò)訓(xùn)練模式上，主要是借助于對(duì)輸出單元的權(quán)值以及輸入樣本的向量進(jìn)行適當(dāng)調(diào)整。與此同時(shí)，BRF神經(jīng)網(wǎng)絡(luò)能夠更好的處理非線性問(wèn)題，在BRF神經(jīng)網(wǎng)絡(luò)當(dāng)中，主要的輸入樣本就是發(fā)動(dòng)機(jī)運(yùn)行情況的實(shí)際參數(shù)，也就是不同傳感器所收集的各種數(shù)據(jù)信息，而后通過(guò)非線性方式將這些數(shù)據(jù)信息傳達(dá)到隱含層當(dāng)中，通過(guò)詳細(xì)的數(shù)據(jù)分析、整合與處理之后，再通過(guò)線性的方式傳達(dá)到輸出層當(dāng)中供其使用，這些故障發(fā)生原因能夠被用作輸出樣本[2]。通過(guò)輸入樣本進(jìn)行的網(wǎng)絡(luò)訓(xùn)練，能夠在不斷的學(xué)習(xí)當(dāng)中更加高效的將各種各樣不確定因素排除，從而提高BRF神經(jīng)網(wǎng)絡(luò)故障診斷結(jié)論的可靠性與精確性。

3? 基于支持向量機(jī)的特征層故障診斷方法

3.1 可行性分析? 在上述內(nèi)容中我們了解到，BRF神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的容錯(cuò)性與冗余性，并且針對(duì)非線性問(wèn)題能夠更好的處理，通過(guò)十分適合與汽油車發(fā)動(dòng)機(jī)的故障診斷工作。但是在學(xué)習(xí)速度上BRF神經(jīng)網(wǎng)絡(luò)則有著明顯不足，同時(shí)在小樣本集合的處理上也十分不利，不具有強(qiáng)大的泛化能力。相對(duì)于BRF神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)，支持向量機(jī)則在小樣本空間當(dāng)中更加適用，如果需要針對(duì)樣本數(shù)據(jù)欠缺的數(shù)據(jù)空間進(jìn)行處理，則能夠發(fā)揮出更好的作用，提供有效的技術(shù)手段。因此在汽油車發(fā)動(dòng)機(jī)故障診斷工作中也有一定的可行性[3]。

3.2 支持向量機(jī)故障診斷模型構(gòu)建? 針對(duì)故障診斷工作當(dāng)中，由于時(shí)域特征數(shù)據(jù)導(dǎo)致的特征向量在維數(shù)上明顯增加這種問(wèn)題，需要做好數(shù)據(jù)的降維處理工作，對(duì)此可以應(yīng)用主成分這種分析方法，從而有效加快特征數(shù)據(jù)提取效率。在進(jìn)行數(shù)據(jù)處理時(shí)，從根本上說(shuō)，特征提取就是將特征向量在特征空間當(dāng)中進(jìn)行映射的數(shù)據(jù)。通過(guò)主成分這種分析方法，能夠?qū)μ卣魈崛〉慕稻S處理起到一定輔助作用，既能夠加快提取的速度，也能夠發(fā)現(xiàn)特征向量，從而更好的將源數(shù)據(jù)特征詮釋出來(lái)[4]。

在支持向量機(jī)故障診斷模型構(gòu)建當(dāng)中，一般可以劃分為以下幾個(gè)步驟：①將各個(gè)傳感器當(dāng)中收集到的數(shù)據(jù)源（包括發(fā)動(dòng)機(jī)在不同故障情況下的樣本數(shù)據(jù)）進(jìn)行統(tǒng)一的處理，從而保障數(shù)據(jù)的完整性與可用性;②進(jìn)行分析與對(duì)比，選擇優(yōu)質(zhì)的、可識(shí)別性強(qiáng)的故障特征;③應(yīng)用多值分類（一對(duì)一或者點(diǎn)對(duì)點(diǎn)）的模型;④借助于先驗(yàn)知識(shí)來(lái)確定具體參數(shù)，進(jìn)行反復(fù)的多交叉訓(xùn)練，最終確定一個(gè)最合理的訓(xùn)練模型;⑤最終模型得以確定[5]。

4? 基于D_S證據(jù)理論的決策層故障診斷方法

4.1 可行性分析? 在以人工智能為基礎(chǔ)的發(fā)動(dòng)機(jī)故障診斷模型當(dāng)中，多信息融合的最終結(jié)果往往是由決策層輸出來(lái)表現(xiàn)的，因此相較于另外的輸入層與輸出層來(lái)說(shuō)，決策層的特征往往更加明顯，輸出融合也更高，得出的最終結(jié)論也就更可靠?，F(xiàn)如今，在多信息融合的決策過(guò)程中，最常見(jiàn)的兩種方法就是貝葉斯網(wǎng)絡(luò)推理以及本文中將要提到的D_S證據(jù)理論[6]。在應(yīng)用第一種方法時(shí)，往往需要借助于先驗(yàn)知識(shí)作為依托，在輸入節(jié)點(diǎn)中數(shù)據(jù)源出現(xiàn)維度過(guò)高的情況時(shí)，往往不容易得到條件概率表，而D_S證據(jù)理論則是第一種方法的延伸與推廣，能夠更好的得到先驗(yàn)概率。也正是因?yàn)镈_S證據(jù)理論不需要先驗(yàn)知識(shí)，同時(shí)又能夠更好的表達(dá)出不確定，所以D_S證據(jù)理論在汽油車發(fā)動(dòng)機(jī)故障診斷當(dāng)中具有一定的可行性。

4.2 D_S決策層故障診斷模型構(gòu)建? 在所有的非確定推理方式當(dāng)中，由于D_S證據(jù)理論的應(yīng)用最為廣泛，所以在證據(jù)獲取上其靈活性也最強(qiáng)。這種方式主要是針對(duì)輸入信息源來(lái)說(shuō)，需要堅(jiān)持一定的原則，結(jié)合判斷與合理融合之間的可信度概率大小，最后得出故障發(fā)生征兆的實(shí)際可信度，判斷出具體的故障原因。受證據(jù)理論診斷專家以及智能分類算法的不同影響，證據(jù)體的產(chǎn)生也具有一定的不歸一性，需要間隔遵守固定的規(guī)則，針對(duì)發(fā)動(dòng)機(jī)的故障診斷類型按照其特征進(jìn)行歸納，通過(guò)多信息之間的融合，通過(guò)借助于固定的算法針對(duì)診斷結(jié)果的可信度進(jìn)行加權(quán)，最終得出對(duì)應(yīng)的證據(jù)可信程度，從而更加科學(xué)、有效的判定汽油車發(fā)動(dòng)機(jī)故障診斷類型與位置[7]。

4.3 決策層融合診斷? 在整個(gè)D_S證據(jù)理論故障診斷模型當(dāng)中，決策層融合診斷的主要步驟可以分為以下幾步：①結(jié)合發(fā)動(dòng)機(jī)不同構(gòu)造明確故障空間，識(shí)別具體的傳感器裝置并提供識(shí)別框架;②根據(jù)先驗(yàn)知識(shí)明確發(fā)動(dòng)機(jī)發(fā)生故障的情況，針對(duì)信息源進(jìn)行整合分析，挑出適合輸入樣本，構(gòu)建不同證據(jù)體的可信度函數(shù);③對(duì)不同證據(jù)的可信度與似然度進(jìn)行獲取;④對(duì)不同證據(jù)的可信度與似然度進(jìn)行計(jì)算，開展多信息融合的計(jì)算;⑤結(jié)合決策層當(dāng)中的相關(guān)數(shù)據(jù)信息進(jìn)行原則整合，選取一個(gè)支持度相對(duì)更大的假設(shè)，當(dāng)做最終結(jié)果進(jìn)行輸出;⑥獲取最終的決策層融合診斷結(jié)果。

5? 結(jié)束語(yǔ)

綜上所述，文章分析內(nèi)容突破了單一故障診斷方法的局限性，提出了四種不同的基于人工智能的汽油車發(fā)動(dòng)機(jī)故障診斷方法，并通過(guò)故障診斷模型的監(jiān)理，希望能夠?yàn)橄嚓P(guān)工作人員提供理論借鑒。

參考文獻(xiàn)：

[1]閆洪濤.汽車發(fā)動(dòng)機(jī)故障診斷與檢修探索[J].汽車實(shí)用技術(shù)，2021，46（01）：100-102.

[2]麥鵬.基于RBF和數(shù)據(jù)流的汽車電控發(fā)動(dòng)機(jī)故障診斷裝置研究[J].微型電腦應(yīng)用，2020，36（07）：45-48.

[3]孫長(zhǎng)勇，王學(xué)軍，徐長(zhǎng)釗，張薇薇.淺談現(xiàn)代發(fā)動(dòng)機(jī)故障診斷與分析的過(guò)程研究[J].汽車實(shí)用技術(shù)，2020（13）：216-218.

[4]高巧玲，余娟.改進(jìn)支持向量機(jī)在汽車發(fā)動(dòng)機(jī)故障診斷應(yīng)用[J].電子技術(shù)，2020，49（06）：22-23.

[5]陳晶.汽車電控發(fā)動(dòng)機(jī)人工智能故障診斷系統(tǒng)的研究[J].現(xiàn)代工業(yè)經(jīng)濟(jì)和信息化，2016，6（11）：100，104.

[6]佘勇，馮銀漢，王燕兵.人工神經(jīng)網(wǎng)絡(luò)在汽車發(fā)動(dòng)機(jī)故障診斷中的運(yùn)用[J].南方農(nóng)機(jī)，2021，52（13）：114-115.

[7]蔡彥兵，趙亮.數(shù)據(jù)流分析在汽車電控發(fā)動(dòng)機(jī)故障診斷中的應(yīng)用分析[J].時(shí)代汽車，2020（14）：180-181.