劉 將(安徽蚌埠汽車士官學校， 安徽 蚌埠 233011)

?

基于信息融合技術(shù)的汽車故障模式識別系統(tǒng)

劉 將
(安徽蚌埠汽車士官學校， 安徽 蚌埠 233011)

運用集成神經(jīng)網(wǎng)絡和信息融合技術(shù)，提出汽車故障模式識別系統(tǒng)的邏輯結(jié)構(gòu)，分析系統(tǒng)各個模塊的技術(shù)實現(xiàn)途徑，并以發(fā)動機磨損故障為例，詳細論述系統(tǒng)的構(gòu)架和實現(xiàn)過程。研究表明，基于信息融合的汽車故障模式識別系統(tǒng)能夠使多種故障識別信息互相補充和驗證，具有廣闊的應用范圍和準確的故障識別率。

汽車故障； 模式識別； 信息融合； 集成神經(jīng)網(wǎng)絡

0 引 言

信息融合技術(shù)在智能機器人、計算機視覺和多目標跟蹤等領(lǐng)域獲得廣泛應用[1-3]。故障模式識別就是一個多源信息的融合過程，因此，信息融合技術(shù)在汽車故障模式識別領(lǐng)域中具有廣闊的應用前景。

信息融合有多種途徑，神經(jīng)網(wǎng)絡是其中之一[4-5]。本文從信息融合的角度出發(fā)，運用集成神經(jīng)網(wǎng)絡，融合各類汽車故障信息，建立汽車故障模式識別系統(tǒng)。系統(tǒng)構(gòu)架是首先劃分不同屬性故障特征信息，分別運用多個子神經(jīng)網(wǎng)絡，從不同的側(cè)面進行故障模式識別。每個子網(wǎng)絡輸出是從不同側(cè)面映射的汽車故障模式識別結(jié)果，屬于局部決策。然后，把各個子神經(jīng)網(wǎng)絡輸出的局部決策進行融合，得到全局決策。這樣有利于減少故障模式識別的不確定性，提高確診率。

1 系統(tǒng)邏輯結(jié)構(gòu)

單個神經(jīng)網(wǎng)絡經(jīng)過訓練和學習，融合各類故障特征信息，以網(wǎng)絡權(quán)值和閥值記住故障特征，當輸入新的故障特征信號時，神經(jīng)網(wǎng)絡通過聯(lián)想回憶就能夠逼近最類似故障，實現(xiàn)故障征兆集到故障模式集的非線性映射，完成多類故障的模式識別。因此，單個人工神經(jīng)網(wǎng)絡能夠融合多類故障信息，具有故障模式識別能力，在汽車故障診斷中獲得一定程度應用[6]。

但現(xiàn)代汽車是機電液一體的十分復雜的高技術(shù)產(chǎn)品，研究和實踐表明，單個神經(jīng)網(wǎng)絡用于汽車故障診斷存在明顯的缺陷：神經(jīng)網(wǎng)絡需要大量的故障樣本，用來進行學習和訓練；構(gòu)造反映多類故障的特征向量比較困難；神經(jīng)網(wǎng)絡結(jié)構(gòu)配置是一個NP難題[7-9]；神經(jīng)網(wǎng)絡節(jié)點過多，結(jié)構(gòu)龐大，造成訓練學習困難；對新出現(xiàn)的故障類型，整個神經(jīng)網(wǎng)絡必須抹去全部記憶，重新學習訓練等等。

本文采用分層網(wǎng)絡，構(gòu)建故障模式識別系統(tǒng)，通過多個網(wǎng)絡的串、并聯(lián)組合和協(xié)同工作，實現(xiàn)多源故障信息的融合和故障模式的識別。

系統(tǒng)的信息融合相對于信息表征的層次可以分為3層，呈串聯(lián)結(jié)構(gòu)，如圖1所示。第1層進行數(shù)據(jù)分類和歸一化預處理，把數(shù)據(jù)分配和傳輸給第2層的各個識別子神經(jīng)網(wǎng)絡，完成輸入信號向各級設備的定位。第3層由多個識別子神經(jīng)網(wǎng)絡的集成和并聯(lián)而成，每個子網(wǎng)絡接收不同屬性的數(shù)據(jù)，從不同側(cè)面識別故障模式，完成局部決策功能。第3層由1個網(wǎng)絡構(gòu)成，接收第2層的各個子診斷網(wǎng)絡的局部決策信息，進行綜合、全局決策，起到會診功能，最終完成汽車故障模式的識別。

圖1 信息融合故障模式識別系統(tǒng)的邏輯結(jié)構(gòu)

從網(wǎng)絡功能分析，第1層網(wǎng)絡為數(shù)據(jù)融合型網(wǎng)絡，即把汽車故障特征向量空間劃分為若干個子參數(shù)空間，同時根據(jù)各個子參數(shù)空間構(gòu)造相應的故障子空間。第2層網(wǎng)絡為特征融合型網(wǎng)絡，各子網(wǎng)絡從不同屬性的故障特征信息進行汽車故障模式識別。第3層網(wǎng)絡為決策融合網(wǎng)絡，對局部模式識別信息進行智能化合成，得出最終識別結(jié)果。同時，故障信息融合過程考慮人的因素，設置人機接口，體現(xiàn)信息集成的思想。系統(tǒng)整體結(jié)構(gòu)為串聯(lián)結(jié)構(gòu)，有利于發(fā)揮串聯(lián)結(jié)構(gòu)運算速度較快的特點；而第2層網(wǎng)絡的各子神經(jīng)網(wǎng)絡之間為并聯(lián)結(jié)構(gòu)，有利于避免由于某一網(wǎng)絡缺陷而融合過程中止現(xiàn)象的發(fā)生。

2 系統(tǒng)實現(xiàn)策略

由集成神經(jīng)網(wǎng)絡構(gòu)成的故障信息融合系統(tǒng)是一個有機的整體，各個網(wǎng)絡既相互獨立，又相互配合，協(xié)同工作，既可以在線實現(xiàn)，也可通過人機接口，離線實現(xiàn)。

信息分配網(wǎng)絡為管理型網(wǎng)絡，主要完成信號的預處理、分配和定位[10-12]。故障模式識別系統(tǒng)需要實現(xiàn)故障定位，它可以通過標識符來標注各個信息源來自汽車上不同的零部件。因此，產(chǎn)生信息的零部件位置可作為故障定位信號，形成信號位置標識符，前置的信號處理單元對信號處理后，形成特征信息，每一特征信息都保留其定位信息。這樣，經(jīng)處理后的信息在傳遞過程中包含信號本體和位置標識符兩部分。

識別子神經(jīng)網(wǎng)絡的實現(xiàn)包括網(wǎng)絡配置、網(wǎng)絡訓練和執(zhí)行模式識別3個方面。識別子網(wǎng)絡一般采用BP網(wǎng)絡，由輸入層、隱層和輸出層構(gòu)成，輸入層節(jié)點數(shù)等于需要輸入的故障特征參數(shù)的數(shù)目，輸出層節(jié)點數(shù)等于故障類型數(shù)目。網(wǎng)絡訓練是確定網(wǎng)絡的權(quán)值和閾值，形成網(wǎng)絡的知識庫。為使用和管理方便，每個子神經(jīng)網(wǎng)絡各自建立一個檔案。每個檔案由兩部分組成，一部分包含網(wǎng)絡的結(jié)構(gòu)特征和輸入、輸出單元的意義，另一部分為子神經(jīng)網(wǎng)絡的標準學習樣本。在系統(tǒng)調(diào)用的過程中，檔案的實現(xiàn)是以文件的形式完成，該檔案放在人機接口中，在網(wǎng)絡學習時，通過調(diào)用讀出其中的信息，學習后的結(jié)果，即網(wǎng)絡的權(quán)值和閾值也以文件的形式存起來，形成子神經(jīng)網(wǎng)絡的知識庫。各子網(wǎng)絡在檔案及知識庫健全情況下，執(zhí)行模式識別就很簡單，從信息分配網(wǎng)絡來的信號通過和子網(wǎng)絡已學好的權(quán)值并行運算，即可得出相應的模式識別結(jié)果。

這樣網(wǎng)絡輸出為：

γ=P·R

(1)

其中故障i發(fā)生的概率為：

pi=pi1·r1i+pi2·r2i+…+pim·rmi

(2)

為了使不同子網(wǎng)絡對同一故障的模式識別結(jié)果形成更好的支持和加強，重新定義一種運算“⊕”。定義：a⊕b=a+b-ab。容易證明，此運算滿足交換律和結(jié)合律。則融合決策網(wǎng)絡對某故障的融合結(jié)果可表示為：

γi=pi1·r1i⊕pi2·r2i⊕…⊕pim·rmi

可見，這種融合方法采用⊕運算能對所有模式識別子網(wǎng)絡的結(jié)果進行考慮，更能突出較弱置信度對較強置信度的支持和加強作用，能更全面反映實際故障。

3 模擬分析

汽車發(fā)動機中存在著大量的摩擦副，由于摩擦副的相互作用，產(chǎn)生了許多懸浮在潤滑油中磨損顆粒，并使?jié)櫥偷睦砘笜税l(fā)生變化。這些懸浮顆粒和理化指標的檢測數(shù)據(jù)，蘊涵著發(fā)動機摩擦副的磨損特征信息。因此，分析油樣中磨損顆粒所含金屬元素的種類和濃度，以及理化指標，就可判斷發(fā)動機的磨損故障部位和磨損狀態(tài)。

油樣分析有多種方法。鐵譜分析可以觀察到磨損顆粒的形態(tài)和尺寸分布，能夠揭示摩擦副的磨損過程和機理。光譜分析可以測定油樣中鐵、鋁、銅、鉛、鉻、硅等元素的濃度，能夠判斷發(fā)動機摩擦副的磨損部位。理化分析可以得到潤滑油的運動粘度、冷凝點、閃點、酸值、雜質(zhì)含量和水分含量等數(shù)據(jù)，能夠判定潤滑油的失效程度和汽缸的竄氣程度。各種油樣分析方法各有所長，但任一種油樣分析方法的使用范圍和故障識別準確率有限。因此，基于信息融合思想[13-15]，綜合運用鐵譜分析、光譜分析和理化分析等方法，開發(fā)汽車發(fā)動機磨損故障的模式識別系統(tǒng)，能夠使各種磨損故障信息相互補充和驗證，擴大故障模式識別系統(tǒng)的應用范圍，提高故障識別準確率。

定義發(fā)動機磨損的故障模式集合為:F={F1，F(xiàn)2，…，F(xiàn)8}。其中：F1為系統(tǒng)正常；F2為軸瓦嚴重磨損；F3為活塞環(huán)與汽缸嚴重磨損(竄氣)；F4為活塞嚴重磨損；F5為活塞銷嚴重磨損；F6為潤滑油失效；F7為空氣濾清器失效；F8為機油濾清器失效。數(shù)據(jù)采集系統(tǒng)除了采集潤滑油的鐵譜、光譜和理化分析數(shù)據(jù)外，還采集發(fā)動機潤滑油的壓力、溫度和消耗水平等運行狀態(tài)數(shù)據(jù)，以加大故障信息的融合范圍，提高模式識別的準確率。數(shù)據(jù)采集系統(tǒng)采集的故障原始征兆數(shù)據(jù)，需要預處理，處理方法把采集的各種原始數(shù)據(jù)與標準界限值進行比較, 在正常值范圍內(nèi)的取0； 反之則取1, 從而將原始征兆數(shù)據(jù)轉(zhuǎn)換為0和1的布爾值。

模式識別子神經(jīng)網(wǎng)絡包括鐵譜子網(wǎng)絡、光譜子網(wǎng)絡、理化子網(wǎng)絡和運行狀態(tài)子網(wǎng)絡，分別接收預處理后得到鐵譜、光譜、理化和運行狀態(tài)的布爾值數(shù)據(jù)。各個子網(wǎng)絡的輸入節(jié)點數(shù)等于對應數(shù)據(jù)采集模塊的原始故障征兆參數(shù)的個數(shù)，輸出節(jié)點數(shù)等于故障模式數(shù)目訓練樣本根據(jù)故障模式識別的實例積累得到。決策融合網(wǎng)絡輸入為各子網(wǎng)絡的模式識別結(jié)果矩陣P，置信權(quán)矩陣R一般由專家根據(jù)各種故障模式與各個子網(wǎng)絡模式識別之間的關(guān)聯(lián)程度，人為確定，見圖2。

4 結(jié) 語

(1) 基于信息融合的汽車故障模式識別系統(tǒng)，能夠充分利用多源故障信息的互補性，較好地模擬專家的邏輯思維和形象思維過程，避免或減少謊報、漏檢及錯診，與傳統(tǒng)識別方法相比，提高了識別的準確率和故障的定位解釋能力，具有廣闊的應用前景。

圖2 發(fā)動機磨損故障模式識別系統(tǒng)流程圖

(2) 模塊化集成神經(jīng)網(wǎng)絡易于構(gòu)造、易于學習、功能明確和符合計算機軟件和硬件發(fā)展趨勢，對提高故障分類準確性和可靠性具有重要作用，是汽車故障特征信息融合技術(shù)的一個重要發(fā)展方向。

[1] 徐 斌. 基于智能診斷技術(shù)的發(fā)動機故障排查研究進展[J]. 重慶電子工程職業(yè)學院學報, 2012, 21(1):165-167.

[2] 陳朝陽 張代勝 任佩紅．汽車故障診斷專家系統(tǒng)的現(xiàn)狀與發(fā)展趨勢[J]．機械工程學報，2003,39(11):1-2.

[3] 蔣鳴雷.汽車故障診斷技術(shù)發(fā)展趨勢[J].中國新技術(shù)新產(chǎn)品, 2010(9):102.

[4] 石 晶， 何 亮， 崔 瑤. 基于B/S三層架構(gòu)的汽車故障診斷專家系統(tǒng)的實現(xiàn)[J]. 機械設計與制造, 2012(2):239-241.

[5] 柯喻寅， 謝 鑌， 吳 卿. 基于T-S模糊神經(jīng)網(wǎng)絡的汽車故障診斷的研究[J]. 杭州電子科技大學學報, 2012, 32(2):41-44.

[6] Waltz E. Information fusion for C3I systems in the C3I handbook EW communications[R].Palo Alto, CA:[s.n.],2001.

[7] 吳興偉.多傳感器的信息融合在車載故障診斷中的應用研究[D].武漢:武漢理工大學,2006： 15-18.

[8] 譚本忠.汽車波形與數(shù)據(jù)流分析[M].北京:機械工業(yè)出版社,2009： 51-62.

[9] 申 鵬. 汽車發(fā)動機故障診斷專家系統(tǒng)原型開發(fā)[D].吉林:吉林大學,2010： 22-27.

[10] 肖云魁.汽車故障診斷學[M]. 北京:北京理工大學出版社,2001： 83-91.

[11] 包 旭， 馬從兵.基于數(shù)據(jù)庫的汽車故障診斷專家系統(tǒng)的設計[J].公路與汽運,2007(5):22.

[12] 張 偉. 基于專家系統(tǒng)的故障診斷在汽車發(fā)動機上的應用[D]. 太原:太原理工大學, 2011： 19-25.

[13] 李聚霞， 邢世凱， 王濟民,等.基于知識的汽車發(fā)動機故障診斷專家系統(tǒng)研究[J]. 拖拉機與農(nóng)用運輸車, 2009, 36(2):86.

[14] Shubhalaxmi Kher. Automobile Engine Fault Diagnosis Using Neural Network[J]. 2001 IEEE Intelligent Transportation System Conference Proceedings. Oakland (CA), USA, August. 25-29, 2001.

[15] 羅 石， 楊 勤， 朱長順，等. 基于傳感器融合技術(shù)的專家系統(tǒng)[J]. 交通科學與工程,2013， 29(3):67-71.

Automobile Fault Pattern Recognition System Based on Information Fusion Technology

LIUjiang
(Bengbu Automobile NCO Academy of PLA, Bengbu 233011, China)

Using integrated neural networks and information fusion technology, this paper put forward a logical structure of automobile fault pattern recognition system, and analyzed technical realization way of its module. It discussed system architecture and realization process with the example of engine wear faults. The study indicated that the automobile fault pattern recognition system based on information fusion can make various fault recognition information be cross-examination and has wide application range and high fault recognition rate.

automobile fault; pattern recognition; information fusion; integrated neural networks

2014-03-21

劉 將(1971-)，男，安徽懷遠人，碩士，副教授、訓練部副部長。主要從事軍事交通運輸、軍事職業(yè)教育等方面的研究工作。

Tel.：0552-2980103、13956332020；E-mail：306433228 @ qq .com

TP 472.4

A

1006-7167(2015)02-0137-03