董杰，李楊，李研強，李小偉，王知學

(山東省科學院自動化所，山東省汽車電子技術重點實驗室，山東 濟南 250014)

近年來，隨著汽車電子技術的迅猛發(fā)展，汽車各個系統(tǒng)的電子化程度越來越高，汽車故障檢修也更加復雜。各汽車廠家都紛紛開發(fā)了功能強大的專用診斷儀，DTC(故障碼)和車載快攝數據，可以很直觀地檢測到汽車故障。但是由于廠家設置的DTC 非常有限，比如2003 款雅閣2.4L 發(fā)動機的DTC 覆蓋率不足37%;而且對于已有的DTC，有時候故障代碼與實際故障相差甚遠。沒有診斷碼的故障需要借助專用診斷儀、萬用表、氣缸壓力表等等，從診斷儀獲取的數據流對于診斷具有非常重要的作用。數據流的分析方法有數值分析法、時間分析法、因果分析法、關聯(lián)分析法和比較分析法等，這些分析方法數據量大、工作繁雜，加上缺乏具備良好專業(yè)知識和經驗技能的維修人員，導致數據流無法得到充分的利用和積累［1］。

本文提出了一種基于歷史故障庫的故障診斷方法，通過收集異常數據流，應用決策樹進行訓練并建立歷史故障庫，從而為故障診斷提供依據。這種診斷模式的優(yōu)點是可以通過故障診斷實例的不斷積累來充實歷史故障庫，完善后的歷史故障庫對于未來可能出現的故障提供了診斷依據。

1 故障診斷建模概述

故障診斷建模是個復雜的過程，我們把被診斷的對象抽象成一個系統(tǒng)，包括硬件和軟件，同時它與外部環(huán)境進行信息交互［2］。外部環(huán)境包括人為因素、環(huán)境因素。本文以汽車電控單元故障診斷為例，外部環(huán)境故障的原因包括人為因素、電磁干擾因素、使用環(huán)境因素等;內部故障原因包括硬件故障、軟件故障或者機械故障等。系統(tǒng)包括信息流的輸入、輸出，輸入的信息流包括傳感器采集數據、人機接口信息等，輸出的信息流包括執(zhí)行器指令和故障信息等。本文的故障診斷建模步驟如圖1 所示。

圖1 診斷系統(tǒng)建模思路Fig.1 Modeling idea of fault diagnosis system

(1)根據所掌握的理論知識和經驗研究診斷對象，明確其運行機制和故障原因，對問題解決方法和途徑作出經驗性假設，確定系統(tǒng)框架，界定邊界和參數變量;

(2)在上一步工作的基礎上進行系統(tǒng)建模，即用數學模型、邏輯模型描述輸入輸出關系;在系統(tǒng)模型的基礎上，對模型進行仿真試驗，目的在于發(fā)現問題，優(yōu)化模型，促進建模的可靠性和準確性;

(3)以歷史數據為樣本，根據仿真、優(yōu)化的測試結果對先前設定的參數、邊界參數進行相應調整和修改，反復完善直至達到滿意結果;

(4)在定量分析的基礎上，重新審視先前模型框架的建立和邊界界定，進一步修正參數;上述過程可能重復多次，直到各方面滿足要求并確定結果，得出建模結論。

2 電控節(jié)氣門控制系統(tǒng)的故障診斷建模方法

2.1 電控節(jié)氣門控制系統(tǒng)

電控節(jié)氣門控制系統(tǒng)(ETCs)的功能為:通過ETCs，發(fā)動機控制單元能夠以電子信號的方式，接收到駕駛者操作加速踏板行程的數據，根據這些數據計算車輛所需要的功率和扭矩，然后再根據功率和扭矩對節(jié)氣門的開啟和關閉進行控制。ETCs 由加速踏板位置傳感器、節(jié)氣門位置傳感器、節(jié)氣門電機、節(jié)氣門電機控制模塊及其他相關傳感器組成。發(fā)動機控制模塊(ECM)根據接收到的數據準確控制節(jié)氣門的開度以及燃油噴射、點火和排放等。發(fā)動機根據通過節(jié)氣門進入空氣的多少來控制車速、動力以及燃油供給，保持空氣混油比以達到最佳比率［3］。圖2 為簡化了的電控節(jié)氣門系統(tǒng)結構框架圖。

圖2 電控節(jié)氣門控制系統(tǒng)Fig.2 Control system of electrical throttle

2.2 故障診斷方法建模與流程

電控節(jié)氣門具體診斷步驟如下［4］:

(1)了解電控節(jié)氣門工作原理，分析造成故障的原因。由節(jié)氣門的系統(tǒng)結構可推斷出可能的故障部件，包括節(jié)氣門位置傳感器(TPS)、怠速傳感器、油門踏板傳感器、變速箱檔位傳感器、節(jié)氣門電機、巡航控制子系統(tǒng)、發(fā)動機控制器等;

(2)數據流信息分組與排查。數據流信息主要包括數值信息、控制信息和其它信息。判斷參數是否在合理范圍內、是否穩(wěn)定，異動的數據流是故障診斷的重要依據;

(3)對獲取到的異動數據流進行故障預處理。預處理的目標是提取有效信息，轉化為故障征兆向量，作為搜索故障模式的輸入數據;

(4)歷史故障庫是故障診斷的核心構成，主要用來存儲故障征兆、故障原因對應集。將生成的故障征兆向量輸入到歷史故障庫中進行匹配以便找到故障原因;匹配不成功時，征兆向量作為測試數據，通過決策樹算法生成征兆原因對應規(guī)則存儲到故障庫中。隨著用例的不斷積累，歷史故障庫將更加完善，為未來的診斷提供依據。圖3 為故障診斷流程圖。

圖3 故障診斷流程圖Fig.3 Flowchart of fault diagnosis

2.2.1 數據預處理

對電控節(jié)氣門控制系統(tǒng)中可能出現故障的部件，由專家根據專業(yè)經驗知識將每個可能出現的故障征兆分別進行編碼，見表1。

表1 故障征兆編碼表Table 1 Fault symptom coding table

歷史故障庫主要用來存儲故障征兆和故障原因對應集，由于該故障庫初始是由專家經驗知識設定的初始集，存在精度低、考慮不完全等因素;但是隨著故障測試用例的不斷積累，故障診斷的準確性將提高，因此歷史故障庫需要一個不斷積累不斷完善的過程，才能在診斷測試中增加準確性和可靠性。表2 為故障征兆集f 與故障原因集U 對應關系的示例表。

故障產生時，必然出現異動數據流，通過對異常數據流的提取轉化，方能生成故障向量。故障征兆向量的生成根據故障的部位、征兆，然后按照表2 中規(guī)定的格式轉化。

表2 故障征兆矩陣表Table 2 Matrix table of fault symptom

2.2.2 決策樹C4.5 算法及其剪枝

當前最有影響的決策樹算法是Quinlan 于1986年提出的ID3 和C4.5［5］。ID3 選擇信息增益最大的屬性劃分訓練樣本，其目的是使分支時系統(tǒng)的熵最小，從而提高算法的運算速度和精確度。主要缺陷是用信息增益選擇分支屬性標準時，偏向取值較多的屬性，而某些情況下，此類屬性意義不大。C4.5 是ID3 算法的改進，采用了信息增益比作為選擇屬性的標準，彌補了ID3 算法不足。本文采用C4.5 的算法，計算步驟如下:

(1)計算集合S 的期望信息:設集合S 是s 個樣本的集合，s1，s2，…，sm是E 的m 個例子集，期望信息由式(1)給出:

(2)計算屬性A 將集合S 劃分為子集的熵:設屬性A 具有k 個不同值，且設子集Sj中屬于類別Ci的樣本數目為sji子集的熵為式(2):

(3)計算屬性A 為結點的信息增益Gain(A):

(4)計算屬性A 將集合S 劃分為子集的信息增益比:

SplitInfo(S，A)代表按照屬性A 分裂樣本集S 的廣度和均勻性。

通過計算將信息增益比最高的屬性作為集合S 的測試屬性，用它來創(chuàng)建節(jié)點，對A 屬性的各個值或各個區(qū)間創(chuàng)建分支，如此來劃分樣本。

(5)剪枝。最常用的為預剪枝和后剪枝，其中后剪枝允許樹過度擬合數據，然后對建好的樹進行修剪;預剪枝方法由于很難精確估計何時停止樹增長，因此后剪枝方法在實際問題中更適用［6］。本文采用后剪枝方法避免樹的高度無節(jié)制增長和過度擬合數據，使用訓練樣本集自身確定是否真正剪枝，公式如下:

其中N 是實例數量，f=E/N 為誤差率(E 為N 個實例中分類錯誤的個數)，q 為真實的誤差率，c 為置信度(C4.5 默認值為2.5)，z 為對應于置信度c 的標準差。

設當前訓練樣本的故障原因有14 個，分別為:U1=傳感器對地或電源短路;U2=傳感器供電電壓過低，導致位置數值錯誤;U3=溫度傳感器數值偏離正常范圍;U4=錯誤感知導致采集數據錯誤;U5=節(jié)氣門開度讀取錯誤，導致怠速計算錯誤;U6=扭矩換算錯誤;U7=位置傳感器輸出過高或過低;U8=位置傳感器輸出值學習錯誤;U9=非DTC 覆蓋故障;U10=電機對電源或地短路;H 橋失效等;U11=方向盤上按鍵失效或者ECM 輸入電路失效;U12=剎車開關失效;U13=車速錯誤;U14=看門狗動作或邏輯錯誤等。首先計算期望熵，選取GainRatio 最大且同時獲取的信息增益又不低于所有屬性平均值的屬性測試屬性，根據上述方法計算，得出故障診斷樹如圖4 所示，最終形成分類規(guī)則見表3。

圖4 故障診斷決策樹Fig.4 Decision tree of fault diagnosis

表3 故障診斷分類規(guī)則實例Table 3 Case of fault diagnosis class rule

3 結論

利用該方法對某車型的電子節(jié)氣門系統(tǒng)故障進行了診斷，通過故障模式匹配，確定了故障原因并成功排除了故障。測試結果表明，該診斷方法具有一定的可靠性和準確性。

［1］亞迪.數據分析在汽車故障診斷中的應用［M］.北京:機械工業(yè)出版社，2009:2 -4.

［2］錢學森，于景元，戴汝為.一個科學新領域——開放的復雜巨系統(tǒng)及其方法論［J］.自然雜志，1990，13(1):3 -10.

［3］KIRSCH M T.Technical support to the national highway traffic safety administration on the reported toyota motor corporation unintended acceleration investigation［M］.Darby，PA，USA:Diane Publishing Co.2011.

［4］李楊，李研強，王知學.基于數據挖掘的汽車ECU 故障診斷方法［J］.計算機應用研究，2011(3):714 -716.

［5］QUINLAN J R.C4.5:Programs for Machine Learning［M］.San Mateo，California:Morgan Kaufmann Publishers，1993.

［6］歐陽輝，祿樂濱，錢建立.基于C4.5 的論文元數據抽取算法研究［J］.計算機工程與設計，2010(16):3708 -3711.