劉冰清，甘 霖，王 強(qiáng)，龍昭燈，茍榮非

（重慶長(zhǎng)安汽車(chē)股份有限公司 長(zhǎng)安汽車(chē)工程研究院，重慶 401120）

1 引言

為了能快速發(fā)現(xiàn)汽車(chē)運(yùn)行過(guò)程中的電子控制系統(tǒng)故障，當(dāng)今汽車(chē)電子控制系統(tǒng)都設(shè)計(jì)了車(chē)載故障診斷系統(tǒng)，該系統(tǒng)通過(guò)傳感器、執(zhí)行器配合軟件程序?qū)?chē)輛運(yùn)行狀態(tài)進(jìn)行監(jiān)控。當(dāng)自診斷系統(tǒng)發(fā)現(xiàn)某個(gè)傳感器、控制開(kāi)關(guān)或執(zhí)行器發(fā)生故障時(shí)，電控單元會(huì)將監(jiān)測(cè)到的故障內(nèi)容以故障碼的形式存儲(chǔ)到隨機(jī)存儲(chǔ)器中，利用專(zhuān)用的解碼儀可將故障代碼讀出。這些故障證據(jù)能夠?yàn)槠?chē)檢測(cè)與維修提供重要依據(jù)［1］。

由于汽車(chē)的各電控系統(tǒng)之間通過(guò)網(wǎng)絡(luò)進(jìn)行互聯(lián)，汽車(chē)網(wǎng)絡(luò)節(jié)點(diǎn)的原發(fā)故障會(huì)存在多條潛在的傳播途徑，使故障通過(guò)網(wǎng)絡(luò)傳遞到其它節(jié)點(diǎn)上；同時(shí)網(wǎng)絡(luò)節(jié)點(diǎn)功能單元很多，各單元之間相互依存和相互影響，致使故障原因和故障現(xiàn)象的對(duì)應(yīng)關(guān)系難以準(zhǔn)確判斷［2］。這種電控節(jié)點(diǎn)之間的相關(guān)性，以及檢測(cè)設(shè)備的局限性和知識(shí)表達(dá)的不精確，導(dǎo)致出現(xiàn)的故障碼具有較強(qiáng)的不確定性，通過(guò)故障碼進(jìn)行故障診斷的過(guò)程實(shí)際是不確定性求最優(yōu)解的過(guò)程?，F(xiàn)階段通常采用一種“部分窮舉”的方式來(lái)確定故障，隨著汽車(chē)行業(yè)的發(fā)展，電控原件的增加帶來(lái)的海量“大數(shù)據(jù)”導(dǎo)致窮舉法難以實(shí)現(xiàn)，而且采取清除歷史故障碼僅保留持續(xù)故障碼將丟失大量的有用信息。為有效減少故障排查的工作量，保持診斷結(jié)果的置信度和準(zhǔn)確率，應(yīng)采用有效的信息融合方法對(duì)數(shù)據(jù)進(jìn)行處理。現(xiàn)有診斷數(shù)據(jù)融合方法主要有基于經(jīng)典神經(jīng)網(wǎng)絡(luò)的信息融合方法與基于貝葉斯網(wǎng)絡(luò)的信息融合方法［3-4］，基于經(jīng)典神經(jīng)網(wǎng)絡(luò)的信息融合方法能夠在建立網(wǎng)絡(luò)系統(tǒng)精確模型的情況下，得到令人滿(mǎn)意的診斷結(jié)果，但是對(duì)于關(guān)鍵信息缺失、樣本量小時(shí)，診斷精度與準(zhǔn)確度將會(huì)降低。

故障碼的儲(chǔ)存機(jī)制是將所有發(fā)生過(guò)的故障都記錄下來(lái)，對(duì)于汽車(chē)行駛過(guò)程中受到外界信號(hào)干擾或者汽車(chē)的振動(dòng)導(dǎo)致某信號(hào)暫時(shí)性丟失，電控系統(tǒng)依然會(huì)將這樣的故障代碼儲(chǔ)存下來(lái)，這樣偶發(fā)性的故障代碼在進(jìn)行數(shù)據(jù)融合時(shí)會(huì)使融合結(jié)果與真實(shí)情況出現(xiàn)差異，最終導(dǎo)致診斷結(jié)果錯(cuò)誤。針對(duì)上述問(wèn)題，本文提出一種針對(duì)汽車(chē)故障碼沖突數(shù)據(jù)的融合方法，首先將源故障頻度歸一化作為傳遞權(quán)重，并與基本信任分配函數(shù)相互結(jié)合；然后提出證據(jù)之間距離的概念，并利用其對(duì)多故障證據(jù)進(jìn)行聚類(lèi)，最后將聚類(lèi)結(jié)果進(jìn)行D-S合成規(guī)則融合，得出最終診斷結(jié)果。

2 基于故障樹(shù)的故障診斷方法

故障樹(shù)分析 （FTA）是由上往下的演繹式失效分析法，利用布林邏輯組合低階事件，分析系統(tǒng)中不希望出現(xiàn)的狀態(tài)。設(shè)故障樹(shù) （FT）中有n個(gè)底事件x1，x2…xn，部分底事件的集合記為C∈{xi…xj}，當(dāng)集合中底事件發(fā)生，頂事件必然發(fā)生，則稱(chēng)C為故障樹(shù)的割集。若C為割集，且去掉其中一個(gè)底事件后C不為割集，則稱(chēng)C為最小割集。故障樹(shù)分析法的主要目的在于找出導(dǎo)致頂事件發(fā)生的所有可能的故障模式，即尋找故障樹(shù)的全部最小割集［5］。

基于故障樹(shù)診斷的故障源處在樹(shù)的最底層，故障傳播方向?yàn)樽韵露霞磸牡资录虚g事件→頂事件。故障源傳遞時(shí)由權(quán)值ω標(biāo)識(shí)下層事件到上層事件的重要度占比，由于故障樹(shù)分析 （FTA）是與潛在失效模式與后果分析 （FMEA）相結(jié)合進(jìn)行建立，在FMEA中下層因子到上層事件采用風(fēng)險(xiǎn)順序數(shù) （RPN）對(duì)其進(jìn)行潛在失效風(fēng)險(xiǎn)評(píng)估，而風(fēng)險(xiǎn)順序數(shù)包含了嚴(yán)重度 （S），頻度 （O），探測(cè)度 （D）三方面信息，主要在設(shè)計(jì)階段發(fā)現(xiàn)潛在失效模式［6］。而故障樹(shù)分析主要用于發(fā)現(xiàn)底層事件發(fā)生的概率，而頻度 （O）更能反映故障發(fā)生的概率，因此本文推薦使用頻度 （O）計(jì)算故障源，傳遞時(shí)權(quán)值ω能夠更為真實(shí)地反映實(shí)際情況。頻度 （O）為［0，10］的取值，因此在一個(gè)完備故障樹(shù)建立后需對(duì)其進(jìn)行歸一化處理。汽車(chē)?yán)鋮s風(fēng)扇故障樹(shù)見(jiàn)圖1。

圖1 汽車(chē)?yán)鋮s風(fēng)扇故障樹(shù)

3 基于貝葉斯網(wǎng)絡(luò)信息融合的故障診斷

式中m（A）稱(chēng)為事件A的基本信任分配函數(shù)，表征證據(jù)對(duì)A的支持程度。

針對(duì)于汽車(chē)某系統(tǒng)的故障樹(shù)，在建立FMEA過(guò)程中，要求故障因子包含所有可能出現(xiàn)的情況，因此其底事件即是一個(gè)完備的集合，底層事件與故障證據(jù)之間可采用集值映射表征其關(guān)系，如圖2。其割集作為故障證據(jù)E指向完備集合的冪集，而故障源傳遞時(shí)權(quán)值ω即為該割集的信任分配函數(shù)，即ω=m（C）。

在汽車(chē)發(fā)生故障時(shí)，多個(gè)故障證據(jù)被采集，可采用D-S合成規(guī)則對(duì)證據(jù)進(jìn)行合成得到權(quán)重最大的割集，從而對(duì)故障進(jìn)行判定。

圖2 證據(jù)與故障的映射關(guān)系

4 沖突故障融合診斷方法

由于汽車(chē)作為一個(gè)多傳感器系統(tǒng)，采集到的故障證據(jù)存在偶發(fā)性和不確定性，因此眾多故障診斷證據(jù)中會(huì)出現(xiàn)沖突性證據(jù)，如采用D-S證據(jù)理論對(duì)沖突證據(jù)進(jìn)行融合，融合結(jié)果將偏離真實(shí)情況，例如：當(dāng)出現(xiàn)4組證據(jù)E1、E2、E3、E4，對(duì)割集A、B、C信任分配函數(shù)值見(jiàn)表1。

表1 信任分配函數(shù)值

采用D-S證據(jù)理論合成可得出m（A）=m（C）=0，m（B）=0.1，根據(jù)權(quán)值判斷原則，認(rèn)為B為最終判斷結(jié)果，其對(duì)應(yīng)的底事件為故障發(fā)生的原因。盡管大多數(shù)證據(jù)證明A為真因，但由于某個(gè)證據(jù)否定了A，最終合成結(jié)果也否定了A。然而結(jié)合案例的事件情況，A事件為本次故障的真因，證據(jù)E2為偶然事件。

分析其原因，是由于D-S合成規(guī)則中，k是反映證據(jù)之間沖突程度的系數(shù)，當(dāng)出現(xiàn)高沖突的證據(jù)，進(jìn)行正則化處理將會(huì)導(dǎo)致與直覺(jué)相悖的結(jié)果，縱然如此許多學(xué)者認(rèn)為D-S合成規(guī)則本身沒(méi)有錯(cuò)，在高度沖突時(shí)應(yīng)該首先對(duì)沖突證據(jù)進(jìn)行預(yù)處理，然后再使用D-S合成規(guī)則。Murphy提出了一種修改模型而不變D-S合成規(guī)則的方法［7］，首先將證據(jù)的基本概率指派進(jìn)行平均，之后再用D-S合成規(guī)則合成n-1次。在Murphy的基礎(chǔ)上，Jousselme等人提出了證據(jù)間距離函數(shù)［8］，對(duì)于其證據(jù)間相似度和支持度他并沒(méi)有給出具體算法。王肖霞等提出了一種基于證據(jù)間相似系數(shù)的沖突證據(jù)合成方法［9］，利用證據(jù)之間的距離作為證據(jù)的相似度，然后求出各證據(jù)被其它證據(jù)所支持的程度，對(duì)支持度歸一化后可得到各證據(jù)的可信度，并將可信度作為證據(jù)的權(quán)重，對(duì)證據(jù)加權(quán)平均后再利用D-S合成規(guī)則。該方法有效地處理沖突證據(jù)的合成，而且收斂速度較快，對(duì)于單個(gè)故障發(fā)生時(shí)確定故障原因比較準(zhǔn)確，但對(duì)于汽車(chē)診斷，多個(gè)故障同時(shí)發(fā)生的情況時(shí)常出現(xiàn)，各故障對(duì)應(yīng)的證據(jù)相互沖突，該算法最終合成結(jié)果無(wú)法有效指向任一故障。因此，提出了一種多證據(jù)聚類(lèi)的沖突證據(jù)處理算法。

證據(jù)之間的距離是用來(lái)衡量證據(jù)之間相互沖突程度的函數(shù)，假定識(shí)別框架下的兩個(gè)證據(jù)E1和E2，其相應(yīng)的基本信任分配函數(shù)為m1和m2，焦元分別為Ai和Bj，則證據(jù)E1和E2間的距離可以表示為：

式中Ak=Ai∪Bj，證據(jù)之間的距離用來(lái)描述兩證據(jù)之間的沖突程度，其值越大則兩證據(jù)之間的沖突程度越高。在計(jì)算出所有證據(jù)之間距離后，并計(jì)算所有距離的均值；然后將證據(jù)1作為第一個(gè)聚類(lèi)中心，所有與證據(jù)1距離小于距離均值的證據(jù)歸為一類(lèi)，其余證據(jù)中選取一個(gè)作為新的聚類(lèi)中心，并進(jìn)行均值聚類(lèi)，再后通過(guò)判斷聚類(lèi)準(zhǔn)則函數(shù)是否收斂，若收斂，則算法結(jié)束。最后對(duì)聚類(lèi)結(jié)果進(jìn)行D-S證據(jù)推理，得到與類(lèi)別數(shù)相同個(gè)源故障，再逐一進(jìn)行排查。

如下例子中，3個(gè)源故障A、B、C對(duì)應(yīng)E1到E77組故障（表2）。

若直接采用D-S證據(jù)合成，則判斷B為真，若采用Murphy等人提出的算法，3組源故障權(quán)重相似，若采用本文算法則將證據(jù)E1、E2、E3聚為一類(lèi)，E4、E5、E6、E7為一類(lèi)，類(lèi)別1中C為故障源，類(lèi)別2中A為故障源。可見(jiàn)本文算法更適用于多沖突數(shù)據(jù)的故障診斷。

表2 3個(gè)源故障A、B、C對(duì)應(yīng)7組故障

5 結(jié)論

本文將潛在風(fēng)險(xiǎn)評(píng)估中故障頻度歸一化作為下層源故障到上層目標(biāo)現(xiàn)象的傳遞權(quán)重，并將其與證據(jù)合成中基本信任分配函數(shù)相結(jié)合，有效地將證據(jù)融合運(yùn)用到汽車(chē)故障樹(shù)診斷中；然后根據(jù)實(shí)際情況中多故障同時(shí)出現(xiàn)的現(xiàn)象，提出了一種多證據(jù)聚類(lèi)的沖突證據(jù)處理算法，有效地處理了多證據(jù)沖突的合成，提高了合成結(jié)果的可靠性與合理性。