王哲

摘 要：利用汽車安全氣囊裝配工序中已有的先驗知識，構(gòu)建并訓(xùn)練了一個自組織神經(jīng)網(wǎng)絡(luò)SOM的多傳感器故障診斷系統(tǒng)。通過現(xiàn)場的多傳感器采集設(shè)備運行數(shù)據(jù)信息輸入故障診斷的系統(tǒng)，利用自組織SOM神經(jīng)網(wǎng)絡(luò)的聚類性能，得到裝配工序中故障的類型，從而達(dá)到診斷汽車安全氣囊裝配工序的故障。通過無師自動學(xué)習(xí)的方式對輸入信號進(jìn)行分析，計算簡單，精度高，具有很高的應(yīng)用價值。

關(guān)鍵詞：汽車安全氣囊 自組織 神經(jīng)網(wǎng)絡(luò) 故障診斷

中圖分類號：U491 文獻(xiàn)標(biāo)識碼：A 文章編號：1672-3791（2014）12（b）-0080-01

隨著現(xiàn)代汽車動力性能的不斷提升，汽車的種類、數(shù)量也在不斷增多，而高速公路、快速路橋也在快速發(fā)展，汽車的使用更加廣泛普及，因此，這使得更加容易發(fā)生嚴(yán)重的交通事故。汽車的安全性能也是衡量汽車質(zhì)量的一個重要因素，而汽車安全氣囊是現(xiàn)代轎車中最被關(guān)注的汽車安全的高技術(shù)裝置。可以說，當(dāng)汽車發(fā)生嚴(yán)重交通事故時，汽車安全氣囊質(zhì)量的好壞，直接關(guān)系著能否挽救車內(nèi)人員的生命[1]。因此，在生產(chǎn)過程中對汽車安全氣囊生產(chǎn)工序的監(jiān)測顯得尤為重要。

利用汽車安全氣囊裝配工序中已有的先驗知識，構(gòu)建并訓(xùn)練了一個自組織神經(jīng)網(wǎng)絡(luò)SOM的多傳感器故障診斷系統(tǒng)；通過現(xiàn)場的多傳感器采集設(shè)備運行數(shù)據(jù)信息輸入故障診斷的系統(tǒng)，利用自組織SOM神經(jīng)網(wǎng)絡(luò)的聚類性能，得到裝配工序中故障的類型。從而達(dá)到診斷汽車安全氣囊裝配工序的故障，具有較高的應(yīng)用價值。

1 診斷汽車安全氣囊裝配工序的故障類型

將輸入向量設(shè)定為汽車安全氣囊現(xiàn)場的裝配中采集的傳感器的數(shù)據(jù)，輸出向量X={x1，x2，x3，x4，x5}，其中x1為壓力傳感器，x2右側(cè)的光柵尺傳感器的檢測數(shù)據(jù)，x3左側(cè)光柵尺傳感器檢測數(shù)據(jù)，x4、x5為布袋卷起電機速度傳感器檢測數(shù)據(jù)。輸出向量中設(shè)置五種輸出類型，分別是左卷袋電機不動作類型、右卷袋電機不動作類型、氣袋卷袋不均勻類型、舉升架不工作類型、未知故障類型。

1.1 特征級融合

特征融合采用的是BP神經(jīng)網(wǎng)絡(luò)方法，利用傳感器檢測的先后順序，特征融合第n個傳感器。

傳感器的個數(shù)為n，n的值為5，傳感器特征值個數(shù)稱為m，m=8，這里檢測的數(shù)據(jù)有以下8種狀態(tài)，它們分別是升降、快降、下降、上升、平穩(wěn)、異常、未知。這里的000、001、010、011、100、101、110、111，xn-1，…，xn-18是cm的二進(jìn)制表示方法，傳感器n的時間序列用18種類來表示。

BP網(wǎng)層結(jié)構(gòu)結(jié)構(gòu)分為三層，其中隱層里有16個單元，因此，整個網(wǎng)絡(luò)是一個5×16×5的結(jié)構(gòu)，Morlet小波函數(shù)是隱層函數(shù)。

1.2 決策級融合

將特征融合的輸出結(jié)果，利用基于SOM網(wǎng)絡(luò)來進(jìn)行下一步?jīng)Q策級融合。k在這里表示的是生產(chǎn)線運行的工況，k=5，五種故障類型分別是右卷袋電機不動作、舉升架不工作、氣袋卷袋不均勻、左卷袋電機不動作、未知故障。

其中，在這里競爭層中神經(jīng)元設(shè)置為6×6的輸出網(wǎng)格；選擇訓(xùn)練樣本為800組；初始的網(wǎng)絡(luò)權(quán)值隨機選擇較小的競爭層神經(jīng)元；總的訓(xùn)練次數(shù)設(shè)為N=3000，初始學(xué)習(xí)率η0=0.5。

（1）在輸入的樣本數(shù)據(jù)中選取一組網(wǎng)絡(luò)的數(shù)據(jù)來作為輸出，并進(jìn)行處理。

（2）競爭神經(jīng)元的方法，這里選區(qū)的是最小歐式距離，競爭獲勝神經(jīng)元設(shè)定為k，滿足：

i=l，2，…，m（1）

式中，輸出向量xj，而在競爭層任何的一個神經(jīng)元與其輸入節(jié)點網(wǎng)絡(luò)權(quán)值，i=l，2，3，…，m；j=1，2，3，…，n。其中，ms是為競爭神經(jīng)元的的個數(shù)，n是輸出向量的個數(shù)。

（3）獲勝單元的相領(lǐng)區(qū)域，這里成為Nc（t），而相領(lǐng)區(qū)域Nc（t）的形狀是六邊形的形狀，選取的是高斯函數(shù)。

（4）對神經(jīng)元的獲取和對領(lǐng)域的相關(guān)神經(jīng)元的權(quán)值調(diào)整，其中主要包括興奮神經(jīng)元：

（2）

其中t+1表示的是下次訓(xùn)練的次數(shù)，η（t）是更新的學(xué)習(xí)率，函數(shù)表示的是訓(xùn)練次數(shù)t的函數(shù)。

（5）函數(shù)（2）所示，學(xué)習(xí)率η（t）和稱之為拓?fù)溆虻暮瘮?shù)Nc（t），可在訓(xùn)練的過程中得到遞減性。

（3）

在這里，訓(xùn)練次數(shù)為t，總和用N來表示。

（6）最后判斷t的次數(shù)和N的次數(shù)，看是否超過，沒有超過可以重復(fù)步驟“信息采集”，如果超過則滿足了條件，訓(xùn)練完成可以停止得到結(jié)果。

2 仿真結(jié)果與分析

選取故障樣本300個，輸入到訓(xùn)練好的SOM網(wǎng)絡(luò)中，最終得到的檢測結(jié)果，98%的故障檢測結(jié)果都滿足要求?？梢?，運用自組織神經(jīng)網(wǎng)絡(luò)SOM的訓(xùn)練系統(tǒng)，得到的輸出結(jié)果準(zhǔn)確。如圖1、圖2所示。

3 結(jié)語

該文所提故障診斷方法無需建立對象數(shù)學(xué)模型就能夠通過無師自動學(xué)習(xí)的方式將安全氣囊生裝配工序的傳感器采集來的數(shù)據(jù)進(jìn)行分析，計算簡單，精度高，抗噪聲能力強，更加快速準(zhǔn)確地確定了安全氣囊裝配工序的故障，便于提高安全氣囊的生產(chǎn)質(zhì)量，有很高的應(yīng)用價值。

參考文獻(xiàn)

[1] 馬平，呂鋒，杜海蓮，等.多傳感器信息融合基本原理及應(yīng)用[J].控制工程，2006，13（1）：48-51.

[2] Willis， M.J..Artificial neural networks in process engineering Control Theory and Applications[J].IEE Proceedings D，1991.endprint