李華慶

（吉利汽車研究院（寧波）有限公司，浙江 寧波 315336）

隨著技術(shù)的發(fā)展，汽車應(yīng)用功能逐漸復(fù)雜化，汽車傳統(tǒng)內(nèi)飾也逐漸被智能化內(nèi)飾所替代，需要高效的診斷能力。相關(guān)研究人員要加強(qiáng)對相關(guān)技術(shù)的研究，豐富故障診斷方法，總結(jié)診斷技巧，解決診斷中出現(xiàn)的故障問題，保證汽車長期正常使用。

1 信息融合技術(shù)原理

1）多傳感器形成了不同的通道信號。汽車電子的故障診斷系統(tǒng)整體發(fā)展規(guī)模大，且具有一定的復(fù)雜性，需要的傳感器種類和數(shù)量也比較多。因?yàn)椴煌膫鞲衅鹘M合可以為不同種類、不同位置的器件提供信息。傳統(tǒng)的故障診斷技術(shù)僅僅是通過對一種或多種狀態(tài)信息的分析，來獲取機(jī)器的特性。盡管有時通過一種信息來判斷機(jī)器是否有問題，但是在很多情況下，所得到的診斷是不可靠的。要實(shí)現(xiàn)對設(shè)備的正確、可靠診斷，必須從多個角度獲取多維的數(shù)據(jù)，并將其綜合應(yīng)用。

2）同一信號形成了不同的特征信息。在對汽車故障實(shí)際診斷的時候，由于故障的產(chǎn)生原因比較復(fù)雜，各個類型的故障也是不同的。比如，不平衡、不對中、軸承座松動、轉(zhuǎn)子徑向碰撞等都會使轉(zhuǎn)子產(chǎn)生不正常的振動。所以，轉(zhuǎn)子的振動信號中的特征信息比較多，將其充分結(jié)合能夠保證故障的有效診斷。

3）故障診斷中的不確定性。因檢測對象的不確定性、系統(tǒng)噪聲、傳感器的測量誤差等因素，使得系統(tǒng)的數(shù)據(jù)往往不完整、不準(zhǔn)確、不明確，有時還會出現(xiàn)自相矛盾的情況，這就意味著存在許多不確定性。使用Dempster--SJafer（D-S）證據(jù)理論能夠?qū)收显\斷中的問題詳細(xì)解決。

2 信息融合方法

1）基于統(tǒng)計(jì)的融合方法。主要包括的內(nèi)容為經(jīng)典推理、貝葉斯法和證據(jù)理論（D-S）法。傳統(tǒng)的推理技術(shù)依靠數(shù)學(xué)原理，雖然其優(yōu)勢已為人所熟知，但是在進(jìn)行多變量統(tǒng)計(jì)時，需要有一定的先驗(yàn)知識，并進(jìn)行多維概率密度函數(shù)的計(jì)算，這是一種局限性。此外，它還有一個缺陷，那就是它只能對兩種假設(shè)進(jìn)行回溯，當(dāng)數(shù)據(jù)多變量時，它的復(fù)雜性會大幅增加，所以，在能夠獲得需要信息資料的情況下就可以使用該方法，但一般在信息融合的時候使用該方法就比較少。貝葉斯推理技術(shù)在一定程度上克服了傳統(tǒng)推理中的難點(diǎn)，但是其不足之處在于要確定先驗(yàn)似然函數(shù)，是一件非常困難的事情。當(dāng)多個可能的假定或多個與情況有關(guān)的事件發(fā)生時，就會變得非常復(fù)雜，需要對立的假設(shè)互相不相容。一般在實(shí)際利用的時候該方法很少使用，而D-S證據(jù)理論是對貝葉斯理論的逐漸拓展，為其應(yīng)用提供重要條件，能夠有效解決基于人的推理模型不確定性分布問題。在多證據(jù)情況下，利用概率區(qū)間與不確定區(qū)間來確定假定的似然函數(shù)，并可求出任意假定為真實(shí)情況下的似然函數(shù)值，所以實(shí)際情況下有很大的推廣價(jià)值。

2）基于信息論的融合技術(shù)。其存在的部分主要為模板法、聚類分析以及神經(jīng)網(wǎng)絡(luò)，這些技術(shù)在自然和對象方面都存在一些共性特征。聚類分析是一種綜合的方法，其本質(zhì)上不采用統(tǒng)計(jì)學(xué)原理，而采用一套已知的生物科學(xué)和社會科學(xué)中的啟發(fā)式算法，將其分成若干自然組或集合，然后將其與預(yù)期對象的類型關(guān)聯(lián)起來。模板方法是將觀察到的資料與已知的模板進(jìn)行比對，以判斷觀察資料是否能支持由模板所描述的假定。利用神經(jīng)網(wǎng)絡(luò)輸入向量能實(shí)現(xiàn)非線性變換，通過向量的輸出也能達(dá)到神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)的有效分類。因此，可以使用人工神經(jīng)網(wǎng)絡(luò)對多個傳感器的數(shù)據(jù)進(jìn)行綜合描述。雖然該方法在實(shí)際應(yīng)用期間與聚類分析方法比較相同，如果在有噪聲的情況下，該方法的作用更顯

著[1]。

3）基于認(rèn)識模型的信息融合。該技術(shù)在實(shí)際應(yīng)用期間，主要是在模擬期間利用多種傳感器形成識別過程，如：邏輯模板法、基于知識或?qū)＜蚁到y(tǒng)等?？梢酝ㄟ^專家系統(tǒng)或知識庫系統(tǒng)進(jìn)行更高層次的推理，然而，專家系統(tǒng)的特點(diǎn)是依靠主干知識的表達(dá)，因此它具有很大的靈活性，可以通過數(shù)字、符號和推理等特點(diǎn)來表達(dá)，所以，要對信息融合專家系統(tǒng)進(jìn)行設(shè)計(jì)，但期間也比較困難。模糊集理論是一種全新的技術(shù)，目前已有許多商業(yè)軟件支持模糊推理，但是它的價(jià)值以及應(yīng)用于信息融合的模糊邏輯還有待進(jìn)一步的探索。模糊集理論已經(jīng)在國外開始研究，重點(diǎn)分析不確定事件。邏輯模板方法在實(shí)際應(yīng)用過程中，是基于邏輯的識別技術(shù)產(chǎn)生的，隨著廣泛應(yīng)用，多個傳感器信息融合、單個信息特征分析都將發(fā)揮重要作用。

3 多信息融合概述

多信息融合的基本原理，也就是所謂的數(shù)據(jù)融合，就是按照特定的融合規(guī)則，模仿人類對信息的加工，從而對信息進(jìn)行空間和時間上的補(bǔ)充。在確保數(shù)據(jù)一致性的前提下，充分發(fā)揮多元化的優(yōu)點(diǎn)，以獲取有價(jià)值的決策信息，加強(qiáng)結(jié)果的準(zhǔn)確性。在對多信息融合方法實(shí)施驗(yàn)證期間，基于信息論，假設(shè)μ={μ，μ，…，μ｝為發(fā)動機(jī)工作條件設(shè)置，P＝p{μ=μ｝代表發(fā)動機(jī)的操作條件的可能性。熵J是發(fā)動機(jī)工作條件下的不確定狀態(tài)μ，主要的表達(dá)公式（1）如下。

假定診斷信息集合由t∈{t，t，…，t｝表示，且已知t=t，因此，可以按照發(fā)動機(jī)工作狀態(tài)來計(jì)算條件熵，見公式（2）以及平均條件熵公式（3）。

經(jīng)分析發(fā)現(xiàn)，在發(fā)動情況下，數(shù)值還是大于或等于條件熵J，當(dāng)確定好發(fā)動機(jī)診斷信息t后，也能有效提升工作狀態(tài)的不確定性。

4 硬件選擇

4.1 振動器選擇

1）壓電片諧振式。用壓電片接收振動信號，它具有更高的共振頻率，通過增加壓電振子的質(zhì)量，達(dá)到減小共振頻率的目的，采用彈性球形作為輔助材料，以減小共振頻率，提高振動效果。

2）機(jī)械振動式。常規(guī)的振動探測方法，在振動發(fā)生后，彈簧球會在很長一段時間內(nèi)產(chǎn)生減振，從而容易被探測回路探測。為了對輸出端的阻抗進(jìn)行分析，要基于阻抗值的確定轉(zhuǎn)換為高阻抗。

3）微型振動傳感器。該傳感器在實(shí)際應(yīng)用期間，主要是利用機(jī)械振動傳感器完成的，加強(qiáng)對振動件的碳化和密封，以保證整個工作的性能和可靠性逐漸增強(qiáng)。該輸出切換信號直接與TTL或MCU的輸入線路相連，具有很好的結(jié)構(gòu)。其獲取的輸出阻抗更高、其中的靜電流也比較低。

4.2 正確選擇溫度傳感器

根據(jù)對溫度傳感器特點(diǎn)的分析，使用熱敏電阻溫度傳感器，能獲得更高的靈敏度，且溫度系數(shù)較大，能快速反應(yīng)，在汽車中的應(yīng)用十分廣泛。對于熱電偶式溫度傳感器，對很小的溫差能有效測量，且對溫度的測量范圍廣泛，其中的溫度可以達(dá)到1800℃。但是，需要注意到要保證一定的冷端溫度，所以應(yīng)用到汽車中比較少。

4.3 氣體傳感器

1）氧氣傳感器。在汽車上的使用，一般主要為氧化鋯氧傳感器、氧化鈦氧傳感器。中國實(shí)際應(yīng)用期間，大多數(shù)的汽油發(fā)動機(jī)電子控制系統(tǒng)中，只安裝了一個氧氣傳感器，基于三元催化轉(zhuǎn)換器都能在上游、排氣管中實(shí)現(xiàn)。

2）一氧化碳傳感器。目前已有工業(yè)應(yīng)用水平的CO傳感器有三大類：MOS型、電化學(xué)固體電解質(zhì)型和電化學(xué)固體聚合物型。例如：催化劑燃燒型、場效應(yīng)晶體管型等，在臨床上的應(yīng)用少。

5 發(fā)動機(jī)故障診斷模型

多信息融合技術(shù)的使用，是按照數(shù)據(jù)處理方面構(gòu)建發(fā)動機(jī)故障診斷模型，并在該模型的應(yīng)用條件下，予以數(shù)據(jù)融合層、特征融合層和決策融合層的劃分。根據(jù)故障來源的多層次分析，依據(jù)特征分類的思路、設(shè)計(jì)決策、數(shù)據(jù)融合、特征融合等多個層面進(jìn)行信息處理。

5.1 數(shù)據(jù)融合層模型

從實(shí)際上看，在對發(fā)動機(jī)故障實(shí)際診斷的時候，能按照運(yùn)行的參數(shù)對其識別和分類。數(shù)據(jù)融合型存在的故障類型比較多，一般使用物理模型診斷還比較復(fù)雜，所以適合使用BP神經(jīng)網(wǎng)絡(luò)，經(jīng)BP神經(jīng)網(wǎng)的應(yīng)用，能達(dá)到信號的有效傳播，也能對系統(tǒng)故障詳細(xì)判斷。BP神經(jīng)網(wǎng)在進(jìn)行識別、分類中獲得的儲存量更大，所以，要為其構(gòu)建一種多輸入多輸出模型，保證在期間進(jìn)行更為準(zhǔn)確地學(xué)習(xí)。

神經(jīng)網(wǎng)絡(luò)的組成部分為輸入層、隱藏層和輸出層。其中的輸入與輸出結(jié)構(gòu)比較簡單、單一，要分析節(jié)點(diǎn)數(shù)目，需要對應(yīng)用的特點(diǎn)詳細(xì)分析；關(guān)于隱藏層的層數(shù)，很多學(xué)者從理論上進(jìn)行了分析，結(jié)果表明：只要隱含節(jié)點(diǎn)數(shù)目足夠，單隱層結(jié)構(gòu)就能使非線性函數(shù)近似變得簡單。

BP神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)中，主要傳輸為前向傳播和誤差反向。在正向傳輸階段，將輸入層的采樣資料傳送至隱藏層進(jìn)行運(yùn)算，然后由BP網(wǎng)絡(luò)在輸出層得到計(jì)算的結(jié)果；如果發(fā)現(xiàn)網(wǎng)絡(luò)計(jì)算結(jié)果數(shù)據(jù)信息和希望的結(jié)果差異較大，也不符合一定的設(shè)計(jì)標(biāo)準(zhǔn)，BP網(wǎng)絡(luò)就會在下一個步驟完成工作，不會給網(wǎng)絡(luò)培訓(xùn)計(jì)劃造成很大影響。

5.2 特征融合層模型

在特征融合層面上，首先要對采集到的信息進(jìn)行多維地提取和壓縮。接著，把這些數(shù)據(jù)作為一個輸入，以進(jìn)行更高層次的故障診斷，特征融合層算法也稱為SVM，與神經(jīng)網(wǎng)絡(luò)相似。SVM采用了與故障模式相對應(yīng)的特征數(shù)據(jù)，而不要求診斷規(guī)則提供更少的數(shù)據(jù)，但是具有更多的特征大小。

SVM理論假定存在一個樣本集 {（t，f），（t，f），…，（t，f）}t∈R，f∈{-1，1}，其中，1為 樣 本 數(shù)，D為樣本數(shù) 的 特征，f為樣本模式。假設(shè)只存在兩個屬性值：超平面J（ωt+b=0，f=1），超平面的平行平面J，J，ωt+b=0，f=1，而超平面J，ωt+b=0，f=-1。

5.3 決策融合層模型

從數(shù)據(jù)層面和特征層得到的診斷結(jié)果是不可靠的，這就導(dǎo)致了一些故障需診斷。經(jīng)過數(shù)據(jù)融合層、特征融合層診斷結(jié)果的分析，保證診斷準(zhǔn)確性和可靠性的提升，也能給決策融合層提供重要條件。在該條件下，需要按照D-S證據(jù)的決策融合算法來實(shí)現(xiàn)。

D-S證據(jù)理論是基于證據(jù)可信度m（A），詳細(xì)分析，通過總體判斷能獲得有效結(jié)果。增強(qiáng)其可靠性，就是對已有命題A的信賴程度。也就是說，通過計(jì)算，分析對象具備的客觀性、個人主觀性等，都能將其放入到適合的框架范圍內(nèi)，如μ，是問題的每一種可能的答案，其中的內(nèi)容是相互制約的，能予以該框架的詳細(xì)識別。將m：2μ→[0，1]設(shè)定為在識別架構(gòu)中的基礎(chǔ)可靠度分布。在D-S證據(jù)理論中，用區(qū)間來表達(dá)任意假定的支撐，這個區(qū)間的下限叫做置信度函數(shù)，其定義見公式（4）。

6 診斷技術(shù)試驗(yàn)

利用故障模擬器對傳感器的偏置故障和漂移故障進(jìn)行模擬，其中包括：傳感器信號的正常、偏壓、下偏、延時以及信號的電壓損失。表1中列出了詳細(xì)的模擬實(shí)驗(yàn)方案。VCI是車輛的連接接口，它能在CAN和PC間進(jìn)行數(shù)據(jù)的傳送。

表1 模擬實(shí)驗(yàn)方案

通過對不同樣本量的網(wǎng)絡(luò)故障診斷結(jié)果進(jìn)行對比分析，發(fā)現(xiàn)當(dāng)檢測和訓(xùn)練樣本的比例是一樣時，樣本數(shù)目越多，故障診斷的精度就越高。然而，附加代價(jià)就是要求測試流程具備大量的培訓(xùn)時間，具備不同樣本量的BP神經(jīng)網(wǎng)絡(luò)的故障診斷結(jié)果，如表2所示，其中序號為二進(jìn)制編碼。

表2 實(shí)驗(yàn)結(jié)果

精度計(jì)算見公式（5）：

式中：A——診斷結(jié)果的精確度；N——測試樣品的正確識別數(shù)目；N——全部測試樣品的數(shù)目。

在建模過程中，特征層診斷需從模型中抽取出特征向量。傳感器的試驗(yàn)資料是從CAN總線中采集的，取樣頻率是固定的，沒有頻率分量。因此，時域法適合特征的提取，特征向量參數(shù)可以按照維度進(jìn)行歸類，維度參數(shù)的對差是敏感的，無量綱參數(shù)的對方差則不敏感。將上述優(yōu)勢與數(shù)據(jù)相關(guān)性的特點(diǎn)相結(jié)合，選取了7個參數(shù)視為特征向量，其中包含了維數(shù)參數(shù)和無量綱參數(shù)。

實(shí)驗(yàn)證明，分類精度達(dá)到85%，測試驗(yàn)證的時間達(dá)到了0.00907s，與數(shù)據(jù)融合、特征融合技術(shù)相比較，具有較快的診斷速度和較高的準(zhǔn)確率。

7 結(jié)束語

綜上所述，當(dāng)前汽車故障診斷離不開故障模型的分析，相關(guān)人員要了解信息融合技術(shù)的原理，進(jìn)而提高診斷效率，實(shí)現(xiàn)多信息融合。在維修過程中，選擇符合實(shí)際需求的硬件設(shè)備，合理利用故障分析模型，提高診斷效率，在經(jīng)驗(yàn)積累中實(shí)現(xiàn)技術(shù)突破。