電動(dòng)汽車故障診斷多功能系統(tǒng)的研究

柳熾偉,徐光迎

(1.中山職業(yè)技術(shù)學(xué)院機(jī)電工程學(xué)院，廣東中山 528403;2.中山職業(yè)技術(shù)學(xué)院信息工程學(xué)院，廣東中山 528403)

0 引言

電動(dòng)汽車的電源和電驅(qū)動(dòng)系統(tǒng)等高壓裝置結(jié)構(gòu)緊湊多樣，內(nèi)含大量電力電子器件，且高壓電路的安全性要求高，大大增加了故障診斷及其技術(shù)人員培養(yǎng)的難度。針對(duì)企業(yè)應(yīng)用以及職業(yè)人才培養(yǎng)的需要，研發(fā)集合應(yīng)用、培訓(xùn)、測(cè)評(píng)等多功能的電動(dòng)汽車故障診斷系統(tǒng)，提高電動(dòng)汽車故障診斷效率，促進(jìn)案例經(jīng)驗(yàn)的推廣學(xué)習(xí)，加快新能源汽車技術(shù)人員的培養(yǎng)，具有十分積極的現(xiàn)實(shí)意義。

1 故障診斷多功能系統(tǒng)的總體設(shè)計(jì)

電動(dòng)汽車故障診斷多功能系統(tǒng)主要面向高壓電器電路的故障診斷，包括電驅(qū)動(dòng)系統(tǒng)、電源及充電系統(tǒng)、空調(diào)與散熱系統(tǒng)、制動(dòng)系統(tǒng)、轉(zhuǎn)向系統(tǒng)等。系統(tǒng)可在基于Web的互聯(lián)網(wǎng)環(huán)境下應(yīng)用，通過案例推理(case-based reason，CBR)與規(guī)則推理(rule-based reason，RBR)機(jī)制生成診斷方案，并實(shí)現(xiàn)培訓(xùn)與測(cè)評(píng)功能。其中CBR推理模擬了人類認(rèn)知新事物的思想，利用過往案例的知識(shí)經(jīng)驗(yàn)來解決新問題，很大程度上解決了知識(shí)獲取、建立數(shù)學(xué)模型和訓(xùn)練數(shù)據(jù)缺乏等困難。RBR基于專家的經(jīng)驗(yàn)，結(jié)合故障樹分析，制定產(chǎn)生式規(guī)則和推理邏輯，通過規(guī)則推理彌補(bǔ)案例無法匹配的情形。

1.1 開發(fā)系統(tǒng)與軟件架構(gòu)

系統(tǒng)開發(fā)采用瀏覽器服務(wù)器(B/S)模式，其應(yīng)用服務(wù)器和數(shù)據(jù)庫(kù)服務(wù)器分離，便于用戶通過PC機(jī)或手機(jī)等在互聯(lián)網(wǎng)訪問及維護(hù)升級(jí)。系統(tǒng)采用3層系統(tǒng)架構(gòu)，即表示層、中間層、數(shù)據(jù)訪問層。數(shù)據(jù)訪問處理是底層，主要在后臺(tái)應(yīng)用Oracle公司的My SQL關(guān)系型數(shù)據(jù)庫(kù)處理;中間層主要是通過Java程序來實(shí)現(xiàn)業(yè)務(wù)邏輯;表示層是提供給用戶查看和輸入的，主要通過JSP、Ext等來實(shí)現(xiàn)。由于系統(tǒng)在公開網(wǎng)絡(luò)環(huán)境中使用，應(yīng)注重系統(tǒng)并發(fā)性、可用性、安全性等方面的技術(shù)處理。

1.2 總體結(jié)構(gòu)

多功能系統(tǒng)分為以下幾個(gè)子系統(tǒng)：故障診斷、培訓(xùn)、測(cè)評(píng)、系統(tǒng)管理，其總體結(jié)構(gòu)如圖1所示。

圖1 電動(dòng)汽車故障診斷多功能系統(tǒng)總體結(jié)構(gòu)

1.3 子系統(tǒng)主要功能

故障診斷子系統(tǒng)根據(jù)用戶輸入的故障征兆和數(shù)據(jù)信息等輸出故障診斷的方案和步驟，采用人機(jī)交互模式指導(dǎo)實(shí)施故障檢測(cè)和性能判定。它包含案例經(jīng)驗(yàn)、常規(guī)引導(dǎo)及自動(dòng)3種模式可供選擇。自動(dòng)模式先進(jìn)行案例匹配搜索，匹配成功則輸出案例的方案。當(dāng)匹配相似度低于一定閾值時(shí)，進(jìn)入規(guī)則推理，即通過故障樹分析找出可能的故障最小割集，依照診斷原則和置信度輸出診斷建議。案例維護(hù)、知識(shí)獲取等模塊負(fù)責(zé)案例庫(kù)和知識(shí)庫(kù)的更新和完善。

培訓(xùn)子系統(tǒng)主要是給用戶提供電動(dòng)汽車高壓系統(tǒng)的結(jié)構(gòu)、工作原理、關(guān)鍵零部件的檢測(cè)方法及參數(shù)標(biāo)準(zhǔn)等學(xué)習(xí)資料。用戶需學(xué)習(xí)診斷案例時(shí)，可輸入描述故障現(xiàn)象的檢索詞，依序調(diào)出案例庫(kù)中關(guān)聯(lián)案例。

測(cè)評(píng)子系統(tǒng)由用戶輸入故障現(xiàn)象關(guān)鍵詞，在案例庫(kù)中匹配案例，據(jù)其故障信息生成考題。之后對(duì)用戶回答的故障原因及檢修方案進(jìn)行評(píng)分、存檔。這種快速生成帶故障情境的考題并客觀評(píng)分的功能，提高了用戶考評(píng)的效率，彌補(bǔ)了部分教師對(duì)電動(dòng)汽車故障現(xiàn)象和特征認(rèn)知的不足。

2 知識(shí)的表示

知識(shí)表示就是對(duì)知識(shí)的一種描述和一組約定,是一種可被計(jì)算機(jī)接收的用于描述知識(shí)的數(shù)據(jù)結(jié)構(gòu)。好的知識(shí)表示方法利于計(jì)算機(jī)程序快速地識(shí)別和存儲(chǔ)各種得到的知識(shí)，提高系統(tǒng)的推理效率和知識(shí)庫(kù)擴(kuò)展的能力。

2.1 案例的表示與存儲(chǔ)

面向?qū)ο蟮闹R(shí)表示方法能夠?qū)⒁?guī)則和過程等多種知識(shí)表示集成在一起，可以充分利用各種表示方法的優(yōu)點(diǎn);而且使用該方法還可以利用類的繼承關(guān)系建立案例之間的層次結(jié)構(gòu)，便于案例庫(kù)的組織和檢索，故文中采取面向?qū)ο蠓椒ū硎竟收习咐?/p>

一個(gè)案例一般包含問題的初始狀態(tài)、問題求解的目標(biāo)狀態(tài)以及求解的方案等。整個(gè)過程所包含的信息可以用以下多元式進(jìn)行描述：

CASE=<，，，>。

其中：={，，…，}，是一有限集合，表示案例的信息，包括案例編號(hào)、名稱、發(fā)生時(shí)間、車型、行駛里程等;是一有限非空集合{，，…，}，表示案例的特征屬性，如小電池電壓、高壓母線正負(fù)電壓值、電流值、溫度、頻率、振動(dòng)狀況、儀表警告燈狀態(tài)等征兆信息;={，，…，}是一個(gè)有限非空集合，表示由特征集引起的結(jié)論集，即故障的原因、部位、診斷步驟、檢修的方案等;也是一個(gè)有限集合{，，…，}，表示故障的類型、故障部件所在的系統(tǒng)層級(jí)，便于案例的管理和檢索。

考慮到便于調(diào)取故障案例的特征屬性組建測(cè)試卷等應(yīng)用需求，案例采用分散組織、分塊存儲(chǔ)的形式。案例結(jié)構(gòu)分割成若干部分，分別存放于不同的塊中，使用和維護(hù)的靈活性高。案例庫(kù)包括：案例基本信息表、故障特征表、診斷結(jié)論表、故障類別表等。案例庫(kù)表的結(jié)構(gòu)與內(nèi)容如圖2所示。

圖2 案例庫(kù)表結(jié)構(gòu)與內(nèi)容

故障分類表中，文中將主要故障類型劃分為電驅(qū)動(dòng)系統(tǒng)不能驅(qū)動(dòng)、加速不良、儀表顯示異常或報(bào)警、空調(diào)及冷卻系統(tǒng)故障、駕駛操控性故障、低壓車身電器故障六個(gè)大類。故障系統(tǒng)、分組件及故障部件等則按功能系統(tǒng)的結(jié)構(gòu)關(guān)系進(jìn)行逐層劃分。

2.2 規(guī)則的知識(shí)獲取與表示

為便于知識(shí)的更新和維護(hù)，提高推理效率，規(guī)則知識(shí)庫(kù)采用框架式與產(chǎn)生式規(guī)則結(jié)合的多知識(shí)表示方法。通過擴(kuò)展產(chǎn)生式規(guī)則表達(dá)領(lǐng)域?qū)＜覍?duì)電動(dòng)汽車診斷的啟發(fā)性經(jīng)驗(yàn)、確定性知識(shí)和模糊知識(shí)，同時(shí)把故障信息總結(jié)成規(guī)則和函數(shù)?；谝?guī)則的專家系統(tǒng)知識(shí)獲取難的問題，一定程度上可利用故障樹分析解決。

故障樹分析法是通過與門和或門表示各概念、屬性和知識(shí)體之間的聯(lián)系，用一棵倒“樹”結(jié)構(gòu)把故障的因果關(guān)系清晰地表達(dá)出來。再定性分析可以得到故障樹的最小割集，用層次分析法等定性與定量分析結(jié)合則可以得到每一個(gè)事件發(fā)生的概率，有利于確定故障特征信息的可信度和重要度。故障樹中上下事件對(duì)應(yīng)規(guī)則的前后件，結(jié)合事件間邏輯關(guān)系可建立帶可信度因子的產(chǎn)生式規(guī)則，規(guī)則的前提條件和規(guī)則結(jié)論分別對(duì)應(yīng)故障樹各層的父節(jié)點(diǎn)和子節(jié)點(diǎn)事件。規(guī)則以IF為前件，THEN后件的形式，表示為

RuleIFTHEN(，)。

其中，為特征信息庫(kù)中的特征信息集，可以是一個(gè)或多個(gè)特征信息(事實(shí)條件)，它們之間可以是“與”或者“或”的關(guān)系;為規(guī)則后件，即故障模式;(，)為置信度因子，它表示規(guī)則前件發(fā)生概率為1的情況下，即事實(shí)與規(guī)則前件完全吻合時(shí)，得到結(jié)論的可信度。規(guī)則一般由規(guī)則解析模塊完成解析并進(jìn)行邏輯運(yùn)算和算數(shù)運(yùn)算，包括帶可信度或模糊隸屬度因子的運(yùn)算。規(guī)則表的結(jié)構(gòu)見表1。

表1 規(guī)則表的結(jié)構(gòu)

為便于反映故障樹結(jié)構(gòu)特點(diǎn)，RBR知識(shí)庫(kù)的組成結(jié)構(gòu)，采用“模塊+單元+節(jié)點(diǎn)+規(guī)則”4類框架的組織形式，模塊是按故障類型劃分，單元是故障類型下車輛系統(tǒng)或總成的故障事件。將各個(gè)單元的擴(kuò)展故障樹的每一節(jié)點(diǎn)(頂事件或中間事件)轉(zhuǎn)換成一個(gè)節(jié)點(diǎn)框架，以解決知識(shí)庫(kù)中一個(gè)結(jié)論性知識(shí)也有可能是另一個(gè)結(jié)論知識(shí)的前件這種故障樹特有的層次關(guān)系。每個(gè)節(jié)點(diǎn)框架可以包含多條規(guī)則。每個(gè)底事件轉(zhuǎn)換為規(guī)則框架，對(duì)應(yīng)一條規(guī)則。節(jié)點(diǎn)和規(guī)則框架的槽值內(nèi)容見表2。

表2 節(jié)點(diǎn)和規(guī)則框架的槽值內(nèi)容

3 推理與檢索機(jī)制

3.1 CBR和RBR的集成推理

故障診斷多功能系統(tǒng)中診斷子系統(tǒng)主要面向于引導(dǎo)用戶實(shí)施檢測(cè)和診斷故障;輸出診斷結(jié)果和維修方案。它實(shí)施集成CBR和RBR順序推理模式，不指定采用規(guī)則推理模式時(shí)先檢索和輸出歷史相似案例，如果案例匹配不成功，再采用RBR，依據(jù)原理分析和診斷原則來診斷故障。集成推理的診斷流程如圖3所示。

圖3 集成推理的診斷流程

在CBR中，通常包括案例檢索、案例重用、案例修改和案例學(xué)習(xí)等4個(gè)部分。通過對(duì)故障信息的分析并把故障特征輸入專家系統(tǒng)，利用案例搜索策略在案例庫(kù)中找出與問題案例相似的案例，判斷能否解決當(dāng)前故障問題。假如能夠解決故障問題，生成案例診斷報(bào)告并進(jìn)行案例學(xué)習(xí);如果無法診斷出故障問題，則對(duì)檢索出的案例進(jìn)行修正并驗(yàn)證診斷結(jié)果的可行性，然后通過案例學(xué)習(xí)部分把新案例存儲(chǔ)在案例庫(kù)中。

3.2 案例檢索方法

CRB已形成一系列檢索的方法，如K-最近鄰檢索(K-Nearest Neighbor，KNN)法、歸納推理法、知識(shí)引導(dǎo)法、模板檢索法等，不同方法各有特點(diǎn)。KNN法簡(jiǎn)單高效，工程實(shí)際應(yīng)用較廣，尤其適用于案例較少的情況，但當(dāng)案例較多時(shí)其檢索計(jì)算量非常大。此系統(tǒng)采用分級(jí)式檢索與KNN方法相結(jié)合的策略，先通過索引框架對(duì)故障現(xiàn)象所在類別和系統(tǒng)分級(jí)檢索，大幅縮小匹配范圍，再用KNN法在同一類別或系統(tǒng)的案例中進(jìn)行故障屬性的相似度比較。

KNN策略首先為源案例選取好屬性特征，計(jì)算案例間局部相似度，依據(jù)各屬性的特點(diǎn)和重要程度通過層次分析法等方法賦權(quán)，然后以距離測(cè)量法作為相似性度量函數(shù)，計(jì)算案例各個(gè)屬性的相似度權(quán)，后得到全局相似度，確定案例間的匹配。

設(shè)源案例{，，…，}和目標(biāo)案例{，，…，}均為特征空間{，，…，}中的元素，如第(1≤≤)個(gè)屬性值為連續(xù)數(shù)值型數(shù)據(jù)時(shí)，其局部相似度量為：

dist(,)=|-|。

(1)

如果案例屬性為符號(hào)類型或枚舉型數(shù)據(jù)時(shí)，局部相似度量為

(2)

則第個(gè)源案例與目標(biāo)案例間全局相似度為：

(=1，2，…，)。

(3)

式中:是指第個(gè)案例的第個(gè)屬性特征;為案例第個(gè)屬性特征的權(quán)重，一般通過故障樹的定性與定量分析獲得。如果故障現(xiàn)象屬性較少且重要程度易區(qū)別，也可由專家直接賦值。

在計(jì)算整體相似度時(shí)，由于各屬性的數(shù)據(jù)值量綱不同，可能出現(xiàn)數(shù)據(jù)值級(jí)差過大導(dǎo)致結(jié)果背離實(shí)際情況，因此要先對(duì)數(shù)據(jù)進(jìn)行歸一化處理。歸一化公式為:

=(-)(-)。

(4)

根據(jù)式(3)，系統(tǒng)源案例與目標(biāo)案例比較得到個(gè)相似度(Sim，Sim，…，Sim)，進(jìn)行相似度降序排列，相似度大于設(shè)定閾值的個(gè)案例按序推薦應(yīng)用，否則進(jìn)入RBR推理。

培訓(xùn)子系統(tǒng)中“診斷案例學(xué)習(xí)”功能同樣由用戶輸入故障現(xiàn)象或選取故障案例索引后，系統(tǒng)檢索調(diào)出案例進(jìn)行學(xué)習(xí)。

3.3 RBR的推理模型

RBR采用混合推理的診斷方式。先從用戶輸入的故障現(xiàn)象入手，進(jìn)行正向推理，若找不到完全匹配的規(guī)則，則選擇置信度達(dá)到閾值的一組結(jié)論，降序反向進(jìn)行推理，根據(jù)用戶補(bǔ)充的征兆信息，再正向推理，直到找到完全匹配的規(guī)則，輸出結(jié)論。其中正向推理采用深度優(yōu)先搜索策略，推理之前先根據(jù)已有的故障征兆和檢測(cè)信息進(jìn)行特征提取，對(duì)系統(tǒng)正常工作的規(guī)則模塊進(jìn)行標(biāo)定。在推理過程中遇到被標(biāo)定為正常的規(guī)則模塊，則直接跳過以該模塊為前提條件的所有規(guī)則，往下繼續(xù)查找，直到推理結(jié)果對(duì)應(yīng)故障樹的最小割集,這樣縮短了規(guī)則搜索的時(shí)間。RBR診斷推理流程如圖4所示。

圖4 RBR診斷推理流程

由于某個(gè)頂事件往往下面包含多個(gè)中間事件和最小割集，正向推理往往得到多個(gè)最小割集，根據(jù)其對(duì)應(yīng)的故障模式進(jìn)行分組。各組最小割集內(nèi)故障原因診斷的順序按關(guān)鍵重要度排序。在缺乏概率統(tǒng)計(jì)數(shù)據(jù)情況下，可綜合結(jié)構(gòu)重要度和“先外后內(nèi)、先簡(jiǎn)后繁”的診斷原則由專家評(píng)分，利用層次分析法定量分析得到關(guān)鍵重要度。在得到一組故障原因(規(guī)則結(jié)論)后，按重要度降序進(jìn)行反向推理時(shí)，規(guī)則中的內(nèi)容，根據(jù)熟悉和復(fù)雜程度視情分解為指導(dǎo)排故的檢測(cè)步驟，嵌入故障樹邏輯結(jié)構(gòu)中，借助二叉樹的數(shù)據(jù)結(jié)構(gòu)，通過人機(jī)交互引導(dǎo)用戶進(jìn)行檢測(cè)以獲取信息，逐一排除直到確定故障點(diǎn)。圖5為高壓模塊水泵失效的人機(jī)交互診斷模型。這種診斷模型貼近技師在現(xiàn)場(chǎng)排故的診斷思路，也符合培訓(xùn)中指導(dǎo)檢測(cè)的功能需求。故障排除后，診斷規(guī)則、結(jié)論和診斷模型等相關(guān)信息根據(jù)其價(jià)值視情分別保存為規(guī)則和案例，存入知識(shí)庫(kù)中。

圖5 高壓模塊水泵失效的人機(jī)交互診斷模型

3.4 測(cè)評(píng)試題生成與成績(jī)?cè)u(píng)估

故障診斷的測(cè)評(píng)以考核學(xué)員的故障分析及制定診斷方案的能力為主?？紤]到各人邏輯推理和分析思路不相同，系統(tǒng)難以對(duì)過程進(jìn)行評(píng)價(jià)，只能對(duì)分析的結(jié)果即故障原因和診斷步驟進(jìn)行評(píng)估。因此設(shè)計(jì)如下測(cè)評(píng)方案：系統(tǒng)根據(jù)輸入的故障特征或部件名稱，調(diào)出相似案例，提取其案例信息(車型、行駛里程、故障發(fā)生時(shí)間、故障征兆等)作為故障情境，由考生進(jìn)行答題。如無相關(guān)案例，可根據(jù)輸入信息直接生成測(cè)試卷。學(xué)員線下進(jìn)行故障樹分析，依據(jù)診斷的原則制定診斷的方案，錄入系統(tǒng)。系統(tǒng)采用RBR技術(shù)，搜索置信度在一定范圍內(nèi)的規(guī)則，根據(jù)診斷模型得出相應(yīng)的故障原因和診斷步驟，對(duì)比學(xué)員答案，引用評(píng)分規(guī)則進(jìn)行評(píng)分，并輸出和記錄成績(jī)。診斷測(cè)試流程如圖6所示。

圖6 診斷測(cè)試流程

4 案例分析

以某電動(dòng)汽車預(yù)充接觸器損壞，車輛停機(jī)后不能正常起動(dòng)為例，說明多功能系統(tǒng)的工作過程。首先檢查該車儀表“OK”燈不能正常點(diǎn)亮，表明電機(jī)變頻器不能上高壓電，需分析其故障原因，并執(zhí)行檢測(cè)和診斷，排除故障。因系統(tǒng)內(nèi)未存有相關(guān)案例，故先選擇基于RBR的“常規(guī)引導(dǎo)”診斷方式，建立和保存案例后再進(jìn)行案例檢索測(cè)試。

4.1 故障樹分析與RBR推理

根據(jù)驅(qū)動(dòng)電機(jī)變頻器上高壓電的控制邏輯，建立故障樹。用下行法進(jìn)行定性分析，得到27個(gè)最小割集。由于缺乏各事件發(fā)生的概率統(tǒng)計(jì)數(shù)據(jù)，根據(jù)領(lǐng)域?qū)＜医?jīng)驗(yàn)評(píng)判，通過層次分析法確定各割集置信度，據(jù)此建立診斷規(guī)則，例如：

規(guī)則1 IF變頻器不能上高壓電,且主接觸器J1工作異常;THEN蓄電池電壓不足 (置信度0.53)。

規(guī)則15 IF變頻器不能上高壓電且主接觸器J1工作異常,預(yù)充電容電壓未達(dá)閾值;THEN預(yù)充接觸器失效(置信度0.72)。

用戶輸入其他確認(rèn)的故障特征信息，例如：A2確認(rèn)正常，則跳過A2下所有規(guī)則;輸入“OK燈不亮、蓄電池電壓正常、無故障碼”等信息，系統(tǒng)匹配得到一組規(guī)則，根據(jù)設(shè)定的診斷模型方法，進(jìn)行人機(jī)交互引導(dǎo)排故。圖7為人機(jī)交互的導(dǎo)引式故障診斷過程界面。RBR診斷完成后，進(jìn)行規(guī)則學(xué)習(xí)和案例保存。

圖7 人機(jī)交互的導(dǎo)引式故障診斷過程界面

4.2 案例搜索

在“案例經(jīng)驗(yàn)”的搜索界面選擇案例類別“電驅(qū)動(dòng)系統(tǒng)不能行駛”，案例名“電機(jī)變頻器不能上高壓電”，故障征兆輸入“OK燈不正常點(diǎn)亮、蓄電池電壓正常、無故障碼”等信息，均為符號(hào)型或枚舉型數(shù)據(jù)，系統(tǒng)分類搜索源案例1-001，計(jì)算Dist=0，則Sim=1，大于設(shè)定輸出閾值，匹配案例成功。系統(tǒng)推薦案例內(nèi)容如圖8所示。

圖8 系統(tǒng)推薦案例內(nèi)容

4.3 測(cè)評(píng)功能的實(shí)現(xiàn)

選擇“測(cè)評(píng)”功能，同樣輸入“電機(jī)變頻器不能上高壓電”，故障征兆輸入“OK燈不正常點(diǎn)亮、蓄電池電壓正常、無故障碼”等信息，系統(tǒng)生成診斷測(cè)試卷。學(xué)員輸入故障原因、診斷步驟等答案后，系統(tǒng)生成評(píng)分，并可閱讀系統(tǒng)生成的診斷方案。

5 結(jié)語(yǔ)

電動(dòng)汽車故障診斷多功能系統(tǒng)，其CBR采用歐氏距離相似度計(jì)算方法，多級(jí)匹配推理機(jī)制;RBR采用產(chǎn)生式規(guī)則表示方法，通過故障樹分析解決知識(shí)獲取難的問題，制定正反向推理結(jié)合二叉樹數(shù)據(jù)結(jié)構(gòu)的人機(jī)交互方式的診斷模型，成功實(shí)現(xiàn)“應(yīng)用、培訓(xùn)、測(cè)評(píng)”功能，提高電動(dòng)汽車故障診斷效率，促進(jìn)診斷技術(shù)人才的培養(yǎng)。