柯喻寅，謝 鑌，吳 卿

(杭州電子科技大學(xué)計算機(jī)應(yīng)用技術(shù)研究所，浙江杭州310018)

0 引言

汽車安全性不僅是一個技術(shù)問題，在某種程度上更是一個嚴(yán)重的社會問題。因此現(xiàn)代汽車故障診斷技術(shù)迅速發(fā)展，已成為科技研究的熱點之一，呈現(xiàn)出多樣性［1］。特別是電子技術(shù)、計算機(jī)技術(shù)在汽車上的應(yīng)用，汽車故障診斷從傳統(tǒng)的經(jīng)驗診斷方式，發(fā)展為以集成化、智能化的診斷設(shè)備為手段，以信息技術(shù)為依托的現(xiàn)代汽車故障診斷技術(shù)［2］。人工智能技術(shù)在神經(jīng)網(wǎng)絡(luò)的應(yīng)用與研究取得突破性發(fā)展的同時，智能控制、模式識別以及知識推理專家系統(tǒng)等也引入到了汽車行業(yè)之中［3］。本文個人手持汽車故障診斷儀項目中對汽車故障的研究，發(fā)現(xiàn)監(jiān)控排放標(biāo)準(zhǔn)只能診斷70% ～80%的故障，有其局限性。針對其局限性，模糊神經(jīng)網(wǎng)絡(luò)與故障診斷結(jié)合能利用各自的特性判決故障，診斷的范圍廣，適用性強(qiáng)，能適應(yīng)各種環(huán)境的變化，更具有魯棒性。本文以汽車防抱死系統(tǒng)故障診斷為例進(jìn)行說明。

1 模糊神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的自學(xué)能力和大規(guī)模并行處理能力，能生成無需明確表現(xiàn)知識的規(guī)則;而模糊邏輯系統(tǒng)能夠充分利用學(xué)科領(lǐng)域的知識，采用簡單運(yùn)算來實現(xiàn)知識的模糊推理［4］。模糊神經(jīng)網(wǎng)絡(luò)兼具兩者的優(yōu)點。既能處理模糊信息完成模糊推理功能，又具有神經(jīng)網(wǎng)絡(luò)處理定量數(shù)據(jù)的能力。

1.1 模糊理論

模糊集合:設(shè)U是論域，對于U上的任一元素x，都指定了［0，1］閉區(qū)間中的一個數(shù)μA∈［0，1］與之對應(yīng)，μA(x)稱為x對A的隸屬度，而μA稱為隸屬函數(shù)。在模糊理論中，一個元素是否屬于該集合，界限模糊。反映了事件的不確定性，這種不確定性的程度，用一個屬于［0，1］的數(shù)值表示。隸屬函數(shù)很好的描述了事物的模糊性，實質(zhì)上是反映的事物的漸變性。

1.2 神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是以數(shù)學(xué)手段來模擬人腦神經(jīng)元網(wǎng)絡(luò)的結(jié)構(gòu)與特征的系統(tǒng)，可用于模式識別、智能控制和信息處理等。誤差反饋傳播學(xué)習(xí)算法，這種算法對網(wǎng)絡(luò)中各層權(quán)值系數(shù)進(jìn)行修正，適用于多層網(wǎng)絡(luò)的學(xué)習(xí)，基本原理是梯度最速下降法。使網(wǎng)絡(luò)總誤差最小。

2 模糊神經(jīng)網(wǎng)絡(luò)的應(yīng)用

2.1 故障診斷系統(tǒng)的組成

本文運(yùn)用個人手持式故障診斷儀項目中的設(shè)備(信號預(yù)處理單元)，監(jiān)控排放標(biāo)準(zhǔn)獲取汽車電子控制單元的數(shù)據(jù)。采集的數(shù)據(jù)在PC上進(jìn)行MALAB模糊神經(jīng)網(wǎng)絡(luò)建模，實現(xiàn)故障診斷功能。測試汽車為SANTANA Vista型號，診斷單元為防抱死系統(tǒng)，根據(jù)監(jiān)控排放標(biāo)準(zhǔn)協(xié)議動力系標(biāo)準(zhǔn)，通過信號預(yù)處理單元獲取汽車電子控制單元數(shù)據(jù)。

2.2 T-S模糊神經(jīng)網(wǎng)絡(luò)

T－S模糊邏輯系統(tǒng)是一種自適應(yīng)能力很強(qiáng)的模糊系統(tǒng)，能不斷修正模糊子集的隸屬函數(shù)，是一個應(yīng)用最多的一個模糊邏輯系統(tǒng)［5］。其結(jié)合的神經(jīng)網(wǎng)絡(luò)基本模型如圖1所示。

圖1 T－S模糊神經(jīng)網(wǎng)絡(luò)基本模型

防抱死系統(tǒng)屬于汽車制動性能，檢測其是否故障可通過對其調(diào)節(jié)閥的診斷來確定。首先本文對故障原因和故障模式進(jìn)行分類，故障原因分5類:y1、y2、y3、y4、y5表示，分別代表無、左前、右前、左后、右后調(diào)節(jié)閥故障，以 Y=(y1，y2，y3，y4，y5)=(0，2，4，6，8)作為目標(biāo)函數(shù)。故障模式分為 6 類:x1，x2，x3，x4，x5，x6表示，分別代表縱向速度、橫向速度以及四輪輪速，作為輸入向量。取560個樣本，510個樣本作為訓(xùn)練使用，50個樣本用于故障檢測，隨機(jī)抽取5組為無故障，5組為左前故障。采集的樣本數(shù)據(jù)具體如表1所示。

T－S模型輸入層節(jié)點與輸入向量維數(shù)相同，即輸入層節(jié)點數(shù)為6，代表各個速度向量;輸出節(jié)點數(shù)為1，代表故障類型;隱含層節(jié)點數(shù)為5，形成一個6:5:1的模糊神經(jīng)網(wǎng)絡(luò)模型。模糊化層采用隸屬函數(shù)對輸入值進(jìn)行模糊化處理。采用高斯隸屬函數(shù) 對輸入數(shù)據(jù)進(jìn)行模糊化處理。計算出各個樣本輸入的隸屬度。

訓(xùn)練學(xué)習(xí)能力采用神經(jīng)網(wǎng)絡(luò)誤差反饋學(xué)習(xí)算法，進(jìn)行誤差反饋訓(xùn)練。設(shè)有動量因子用來修正權(quán)值加快學(xué)習(xí)的收斂速度。權(quán)值學(xué)習(xí)公式為，誤差的計算采用通過計算出的誤差反饋調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)的參數(shù)。

本文通過實驗訓(xùn)練1 500次，得出誤差下降曲線如圖2所示。誤差為各樣本絕對誤差之和，前段下降趨勢比較明顯說明調(diào)節(jié)的明顯，后段由于不至于產(chǎn)生調(diào)節(jié)引起的震蕩，其調(diào)節(jié)為細(xì)微的處理，下降的比較慢，使整個模型趨于穩(wěn)定。曲線形狀反映了誤差反饋調(diào)節(jié)的特點。

表1 采集的速度數(shù)據(jù)樣本

表2 故障與輸出對應(yīng)表

2.3 故障診斷

通過訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)來進(jìn)行故障診斷，樣本中作為檢測的10組數(shù)據(jù)進(jìn)行診斷，前5組為無故障，后5 組為左前故障。經(jīng)過診斷，得到輸出值為(0.391，0.402，0.256，－0.313，－0.067，1.928 2，1.936 9，2.148 8，2.040 9，1.897 3)。診斷結(jié)果可知前5 組數(shù)據(jù) yi≤1 為無故障;后5 組為1 ＜yi≤3 為左前故障。通過T－S模型模糊神經(jīng)網(wǎng)絡(luò)的故障檢測，診斷準(zhǔn)確率為100%，能夠準(zhǔn)確地檢測防抱死系統(tǒng)故障原因。

3 應(yīng)用

以個人手持式故障診斷儀項目為基礎(chǔ)，本文設(shè)計了一個由VS2005編譯器上完成的故障診斷界面。故障癥狀為實時采集的運(yùn)行中車輛的車速數(shù)據(jù)，采集間隔為0.1s，采集50組數(shù)據(jù)進(jìn)行診斷。本文對一左后故障的汽車進(jìn)行診斷，結(jié)果顯示正常。

4 結(jié)束語

本文融合了神經(jīng)網(wǎng)絡(luò)和模糊理論，采用T－S模糊神經(jīng)網(wǎng)絡(luò)模型進(jìn)行防抱死系統(tǒng)故障診斷。使得從之前的定性故障診斷演變?yōu)槎抗收显\斷，準(zhǔn)確性有了極大的提高。將模糊神經(jīng)網(wǎng)絡(luò)與汽車電子技術(shù)相結(jié)合，彌補(bǔ)了儀器診斷常規(guī)故障的局限性。將獲取的數(shù)據(jù)采用模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行處理，利用模糊神經(jīng)網(wǎng)絡(luò)的特性進(jìn)行故障診斷，使得故障診斷技術(shù)進(jìn)一步發(fā)展。本文模糊神經(jīng)網(wǎng)絡(luò)對防抱死系統(tǒng)的故障數(shù)據(jù)進(jìn)行故障診斷的正確性明顯，但是其他汽車單元的故障診斷還需要進(jìn)一步的研究。

［1］Liu Guifen.The research on automobile safety control system based on fuzzy neural network［J］.Journal of Liaoning Institute of Technology，2008，28(3):153:155.

［2］He Yong，LiZengfang.The research and application of intelligent fault diagnosis methods［J］.Journal of Zhejiang University，2003，29(2):119 － 224.

［3］Takagi T，Sugeno.Fuzzy identification of systems and its application to modelling andcontrol［J］.IEEE Trans Syst Man and Cybern ，1985 ，15(1):116 －132.

［4］Kher S，Chande P K，Sharma P C.Automobile engine fault diagnosis using neural network［J］.Intelligent transportation systems conference proceedings，2001，29(8):492 －495.

［5］Stoeva S.A fuzzy back － propagation algorithm［J］.Fuzzy Sets and Systems，2000，112(3):27 －39.