李宏梅,佟為明,程樹康

(1.哈爾濱工業(yè)大學電氣工程及自動化學院,哈爾濱 150001； 2.航天科技控股集團股份有限公司,哈爾濱 150060)

?

2015203

基于貝葉斯網(wǎng)絡的信息融合汽車網(wǎng)絡故障診斷方法*

李宏梅1,2,佟為明1,程樹康1

(1.哈爾濱工業(yè)大學電氣工程及自動化學院,哈爾濱 150001； 2.航天科技控股集團股份有限公司,哈爾濱 150060)

本文中基于貝葉斯網(wǎng)絡的信息融合，開展汽車網(wǎng)絡故障診斷方法的研究。首先分析了汽車網(wǎng)絡系統(tǒng)的故障類型；其次，針對其故障具有隨機性和不確定性的特點，在分析了相關故障診斷方法的基礎上，提出了基于貝葉斯網(wǎng)絡的信息融合故障診斷方法；最后，結合專家知識和大量統(tǒng)計數(shù)據(jù)，將所提出的故障診斷方法應用在汽車發(fā)動機節(jié)點的故障診斷中，證實了該方法有效性。

汽車網(wǎng)絡；故障診斷；貝葉斯網(wǎng)絡；信息融合

前言

伴隨著新的總線形式和相關標準的推出，汽車網(wǎng)絡已成為現(xiàn)代汽車的重要組成部分和發(fā)展方向。但由于汽車的使用環(huán)境十分復雜，例如：在發(fā)電機、電動機和點火系統(tǒng)等裝置啟動和運行時，會產(chǎn)生很強的電磁干擾和電沖擊干擾；另外，汽車使用環(huán)境溫度變化范圍大，包括最熱的沙漠和最寒冷的高原地區(qū)等，這些復雜的因素使汽車網(wǎng)絡在使用過程中難免發(fā)生故障。當汽車網(wǎng)絡發(fā)生故障時，如果不能及時確定具體的故障點、準確地診斷出故障原因、排除故障，汽車網(wǎng)絡就會因微小的故障導致全系統(tǒng)性能惡化，嚴重時可引發(fā)整車災難性的事故。因此確保汽車網(wǎng)絡具備快速診斷能力，對汽車的高效維護和安全運行具有十分重要的意義。

1 汽車網(wǎng)絡故障的類型與特征

1.1 汽車網(wǎng)絡故障類型

根據(jù)汽車網(wǎng)絡的結構，總體上說，汽車網(wǎng)絡故障可分為兩大類：一類是信息傳輸系統(tǒng)故障，另一類是網(wǎng)絡節(jié)點自身故障。故障發(fā)生時可導致汽車網(wǎng)絡系統(tǒng)整體失效或部分功能失效。

關于信息傳輸系統(tǒng)故障診斷等問題，文獻[1]中給出了詳細介紹，本文中將集中研究網(wǎng)絡節(jié)點自身故障的診斷問題。

汽車網(wǎng)絡系統(tǒng)包括多個網(wǎng)絡節(jié)點，網(wǎng)絡節(jié)點可以是實時監(jiān)測被控對象狀態(tài)的傳感器、驅動被控對象動作的執(zhí)行器，也可以是分析、運算和處理數(shù)據(jù)，并發(fā)出控制信號的控制器。一般情況下，汽車網(wǎng)絡節(jié)點集中了傳感器、執(zhí)行器和控制器的部分或全部功能，個別網(wǎng)絡節(jié)點同時擔負著網(wǎng)關的重任。

汽車網(wǎng)絡節(jié)點故障主要有：軟件故障和硬件故障。軟件故障一般是設計程序存在問題，或/和通信協(xié)議自身存在設計方面的缺陷；硬件故障通常是MCU和外圍電路損壞、汽車電源系統(tǒng)不穩(wěn)定導致電源處理電路無法正常供電、總線收發(fā)器受損、輸入電路故障、執(zhí)行機構不動作或錯誤動作等。

1.2 汽車網(wǎng)絡節(jié)點故障特征

作為現(xiàn)代汽車重要組成部分的汽車網(wǎng)絡，在為多個ECU節(jié)點之間相互連接、協(xié)調(diào)工作和信息共享創(chuàng)造必要條件的同時，其網(wǎng)絡節(jié)點規(guī)模和復雜性也在不斷擴大與提高。汽車網(wǎng)絡節(jié)點作為一種復雜電子系統(tǒng)，其故障一般具有如下特征[2-3]：

(1) 層次性 汽車網(wǎng)絡系統(tǒng)的各網(wǎng)絡節(jié)點在結構上可以劃分為系統(tǒng)、子系統(tǒng)、部件和元件等多個層次。網(wǎng)絡節(jié)點的故障征兆和故障原因也因此具有不同的層次性。低層次故障可能引發(fā)高層次故障。

(2) 相關性 汽車網(wǎng)絡系統(tǒng)包括多個子網(wǎng)網(wǎng)絡，各子網(wǎng)網(wǎng)絡之間通過網(wǎng)關進行互聯(lián)。這使汽車網(wǎng)絡節(jié)點的任何一個原發(fā)故障都存在多條潛在的傳播途徑，使故障通過網(wǎng)絡傳遞到其它節(jié)點上，這樣就會導致其它節(jié)點工作出現(xiàn)異常。同時，由于網(wǎng)絡節(jié)點功能單元很多，各單元之間相互依存和相互影響，致使故障征兆和故障原因之間對應關系不易明確判斷。以汽車網(wǎng)絡中的儀表節(jié)點為例，某一故障征兆可能對應若干故障原因，同一種故障原因又可能引起多個故障征兆，如圖1所示。

(3) 不確定性 由于汽車網(wǎng)絡節(jié)點(如發(fā)動機ECU等)均具有復雜的結構，使汽車網(wǎng)絡節(jié)點故障經(jīng)常表現(xiàn)為隨機性和不確定性。導致汽車網(wǎng)絡節(jié)點故障不確定性的因素有多種，主要有以下3類：診斷對象的復雜性、檢測設備的局限性和知識表達的不精確性。當汽車網(wǎng)絡節(jié)點表現(xiàn)出某一故障征兆時，很可能是從一種故障向另一種故障的過渡或是多種故障并存的結果，很難確切地判斷出故障發(fā)生的真正原因。因此，不確定性是汽車網(wǎng)絡節(jié)點故障診斷面臨的一個關鍵問題，汽車網(wǎng)絡節(jié)點的故障診斷過程實際上是一個不確定性問題的求解過程。

2 相關汽車網(wǎng)絡節(jié)點故障診斷方法

汽車網(wǎng)絡節(jié)點故障診斷一直是國內(nèi)外專家學者和工程技術人員密切關注的研究課題?；谀Ｐ偷脑\斷方法，能夠在建立網(wǎng)絡系統(tǒng)精確模型的情況下，得到令人滿意的診斷結果[4-9]，但在實際應用中，精確的網(wǎng)絡模型常常難以構建。對于網(wǎng)絡節(jié)點發(fā)動機的故障診斷，有研究人員提出了基于神經(jīng)網(wǎng)絡的信息融合故障診斷方法，如文獻[10]中根據(jù)發(fā)動機故障診斷的實際需求，建立了基于聲強知識和神經(jīng)網(wǎng)絡融合的發(fā)動機故障診斷模型，實現(xiàn)了對某型發(fā)動機的在線診斷，但這種診斷方法在故障樣本關鍵信息缺少的情況下，其故障診斷范圍和準確性過低。文獻[11]中提出了一種基于模糊神經(jīng)網(wǎng)絡的車用發(fā)動機故障診斷專家系統(tǒng)，但所做工作大多為非常基本的或是探索性的，還須進行大量的完善工作和進一步的研究。

由于汽車網(wǎng)絡故障具有層次性、相關性和不確定性，汽車網(wǎng)絡節(jié)點發(fā)生故障時，只采用單一方面的信息反映網(wǎng)絡節(jié)點的狀態(tài)行為是不夠的，必須融合來自多方面的多源信息，才能進行更可靠而準確的診斷。例如，發(fā)動機ECU節(jié)點工作過程中的一些傳感器信息從不同層面反映了發(fā)動機的運行情況，如圖2所示。

隨著獲取信息的不斷增多，在進行發(fā)動機輸出功率降低的故障診斷時，為提高診斷結果的置信度和故障診斷的準確率，采用信息融合技術是合理的選擇，以便充分利用多源信息進行有效診斷。

另外，由于汽車網(wǎng)絡的復雜性和測試手段的局限性，使汽車網(wǎng)絡故障診斷時，不確定性問題占多數(shù)。貝葉斯網(wǎng)絡作為一種不確定性知識的表示形式和方法，可用來描述事物之間的因果關系或依賴關系，在解決復雜設備由不確定性和關聯(lián)性引起的故障診斷等方面，具有很大的優(yōu)勢，被認為是當今不確定知識表達和推理領域最有效的理論模型[12-14]。目前貝葉斯網(wǎng)絡已成為故障診斷領域的研究熱點，在多個領域中獲得了廣泛關注，特別是在電力系統(tǒng)變壓器故障診斷等方面得到了深入研究并取得了較好的效果[15]。

本文中針對汽車網(wǎng)絡節(jié)點的故障特征，提出了基于貝葉斯網(wǎng)絡的信息融合故障診斷方法；進一步結合專家知識和大量統(tǒng)計數(shù)據(jù)，將所提出的故障診斷方法應用到汽車發(fā)動機節(jié)點故障診斷中，證實了該方法的有效性。

3 貝葉斯網(wǎng)絡信息融合故障診斷

汽車網(wǎng)絡節(jié)點故障診斷以信息融合技術為基礎，針對信息融合結構進行數(shù)據(jù)預處理和貝葉斯網(wǎng)絡的推理與構建，最終達到由故障征兆推理出故障原因的目的。

3.1 貝葉斯網(wǎng)絡信息融合故障診斷方法

基于貝葉斯網(wǎng)絡信息融合的故障診斷方法以概率推理為基礎。首先采用多個傳感器獲取研究對象故障的多源信息，使用信息融合的貝葉斯參數(shù)估計算法對多源信息進行融合；其次構建診斷貝葉斯網(wǎng)絡(DBN)，將研究對象的故障診斷轉化為貝葉斯網(wǎng)絡推理；最后通過極大后驗概率判定邏輯對故障進行識別，完成故障診斷過程。

用類別變量F1,F2,…,Fn表示所有可能的n種狀態(tài)信息(故障類型)，用屬性變量O1,O2,…,Om表示m個傳感器各自對研究對象的屬性說明(故障征兆)。本文中提出的基于貝葉斯網(wǎng)絡信息融合故障診斷方法的主要步驟如下：

(1) 對來自各類傳感器的多源信息進行預處理；確定各種故障類型和故障征兆與網(wǎng)絡節(jié)點之間的對應關系，確定變量的所有可能取值。

(2) 將各變量按一定原則進行排序，建立一個表征條件獨立的有向無環(huán)圖；故障類型節(jié)點與故障征兆節(jié)點通過有向邊建立條件依賴關系。

(3) 通過主觀指派或客觀學習確定節(jié)點的概率分布參數(shù)Θ。各故障類型的先驗概率用P(Fi)，i=1,2,…,n表示；m個傳感器關于研究對象故障征兆的條件概率用P(Oj|Fi)，j=1,2,…,m；i=1,2,…,n表示。

(4) 利用故障樣本數(shù)據(jù)，通過故障診斷模型計算研究對象屬性的融合概率(后驗概率)：

(1)

式中O=[O1,O2,…,Om]為故障樣本。

(5) 故障判定。根據(jù)極大后驗概率判定邏輯，選擇后驗概率P(Fi|O)最大的故障類型Fi作為診斷判定結果。即當P(Fi|O)=max{P(Fi|O)}時，判定故障征兆由故障類型Fi引起。

3.2 汽車發(fā)動機節(jié)點DBN模型的構建

汽車網(wǎng)絡發(fā)動機節(jié)點的結構非常復雜。電控發(fā)動機節(jié)點一般由各種傳感器、ECU和執(zhí)行機構等部分組成。通過傳感器采集發(fā)動機冷卻液溫度、發(fā)動機轉速、進氣歧管壓力和大氣壓力等信號并輸入ECU，由ECU對各類數(shù)據(jù)信息進行融合計算，發(fā)出控制指令給噴油泵等，使發(fā)動機在各種工況下達到最佳性能。

本文中對配裝康明斯ISDe發(fā)動機的某型客車網(wǎng)絡進行了深入研究(該客車網(wǎng)絡數(shù)據(jù)通信采用J1939協(xié)議，發(fā)動機ECU控制模塊采用Motorola的CM2150)，總結出發(fā)動機常見的故障征兆為無法起動、運轉粗暴、輸出功率降低和冒白煙，由各類傳感器等導致電控發(fā)動機異常的原因如表1所示。

從降低網(wǎng)絡復雜度和提高計算速度兩方面考慮，構建了由各類傳感器等導致電控發(fā)動機故障的貝葉斯網(wǎng)絡如圖3所示。

圖3中，O1～O4表示故障征兆；F1～F12表示故障類型。發(fā)動機故障征兆節(jié)點的具體定義如下：O1為不能起動；O2為功率下降；O3為冒白煙；O4為運轉粗暴。故障類型節(jié)點的具體定義如下：F1為ECU故障；F2為進氣歧管壓力傳感器故障；F3為加速踏板或操縱桿位置傳感器故障；F4為機油油道壓力過低；F5為冷卻液溫度過高；F6為進氣歧管溫度過高；F7為冷卻液液面過低；F8為大氣壓力超出規(guī)定范圍；F9為轉速超出保護極限；F10為燃油泵執(zhí)行器故障；F11為汽缸噴油器電磁閥故障；F12為燃油含水指示器故障。從圖3中可以看出，由于電控發(fā)動機故障的復雜性和不確定性，當某一故障征兆出現(xiàn)時，很可能是多種故障并存的結果。

本文中將各傳感器的工作狀態(tài)分為正常與故障兩種情況，可更加直觀地分析和確定節(jié)點概率分布參數(shù)Θ。根據(jù)專家知識并結合汽車廠大量的維修和測試記錄，對各類故障出現(xiàn)的概率進行統(tǒng)計，確定各故障類型節(jié)點的先驗概率如表2所示。網(wǎng)絡模型子節(jié)點O2在單一傳感器發(fā)生故障時，發(fā)動機功率下降的條件概率P(O2|Fi)如表3所示。其余子節(jié)點O1，O3和O4的條件概率值可以按同樣的方法獲得。

表2 各類故障的先驗概率

注：T表示正常(無故障)；F表示有故障。

表3 節(jié)點O2的條件概率

3.3 診斷貝葉斯網(wǎng)絡的分析評估

采用兩種方法對所建的DBN模型進行分析評估：一種為基于Gibbs抽樣的診斷模型評估算法，此算法通過仿真由系統(tǒng)自身產(chǎn)生測試案例；另一種為基于標準案例的評估算法。

(1) 基于Gibbs抽樣的診斷模型評估算法

步驟1：采用單故障模式對給定節(jié)點Fj等概率注入故障，用貝葉斯推理算法計算Oi的后驗概率分布：

(2)

式中‖O‖為節(jié)點Oi的數(shù)量。

對計算出的概率分布進行Gibbs抽樣，預測在節(jié)點Fj故障的情況下，Oi最可能的狀態(tài)。Gibbs抽樣規(guī)則為

(3)

式中‖F(xiàn)‖為節(jié)點Fj的數(shù)量。

步驟2：根據(jù)步驟1抽樣得到的節(jié)點Oi狀態(tài)，計算所有節(jié)點Fj的后驗概率(不僅僅是步驟1選擇的節(jié)點)，具體算法為

(4)

步驟3：對于指定的每個節(jié)點故障迭代運行100次，計算節(jié)點后驗概率的平均值。該模型的評估結果采用表格輸出的形式，模型故障隔離率為100%，平均后驗概率如表4所示。

(2) 基于標準案例的評估算法

表5為從汽車廠收集到的實際故障樣本。

表4 節(jié)點Fj故障的平均后驗概率

表5 故障實例采樣統(tǒng)計

故障樣本包括單故障和多故障兩種模式，單故障模式是指系統(tǒng)故障僅由一種原因引起，多故障模式是指系統(tǒng)故障由多種原因引起。診斷模型評估的基礎是單故障模式，只有單故障均能通過一系列Oi狀態(tài)集確定的情況下，多故障才能通過Oi進行隔離。

本文中將收集到的200例故障樣本作為訓練集對網(wǎng)絡進行訓練，然后將另外70例故障樣本作為測試樣本，包括60例單一故障樣本和10例多故障樣本。其中60例單一故障樣本中診斷結果正確率為98%，10例多故障樣本中診斷出所有故障的有3例，至少診斷出一種故障的有7例。

以故障樣本O1=T，O2=F，O3=T，O4=T為例，通過將故障征兆作為證據(jù)輸入該診斷模型，得出該樣本各種故障發(fā)生的概率，故障類F2存在的概率為0.416 2，滿足P(F2|O)=max{P(Fi|O)}，因此判定為進氣歧管壓力傳感器發(fā)生故障，實際情況是進氣歧管壓力傳感器溫度超出發(fā)動機保護臨界極限。

4 結論

結果表明，所設計的貝葉斯網(wǎng)絡診斷模型對發(fā)生單一故障的電控發(fā)動機節(jié)點診斷正確率很高，對同時發(fā)生多種故障的電控發(fā)動機節(jié)點診斷還須進行網(wǎng)絡結構學習并進一步深入研究。汽車網(wǎng)絡節(jié)點故障診斷是一個非常復雜的過程，信息融合可為網(wǎng)絡節(jié)點故障診斷提供更多的信息，本文中探索了將貝葉斯信息融合方法用于汽車網(wǎng)絡節(jié)點的故障診斷，從理論分析和仿真研究可以看出，基于貝葉斯信息融合的故障診斷是一種行之有效的方法。

[1] Li Hongmei, Tong Weiming, Cheng Shukang. Vehicle Network System Communication Error Detection[C]. Third International Conference on Information Science and Technology,2013,3:1081-1084.

[2] Wang Zhongsheng, et al. Intelligent Fault-tolerant Management of Electromechanical Equipment[J]. International Journal of Plant Engineering and Management,1997,2(3):112-116.

[3] 李偉.復雜系統(tǒng)的智能故障診斷技術現(xiàn)狀及其發(fā)展趨勢[J].計算機仿真,2004,21(10):4-7.

[4] Lü Ming, Wu Xiaobei, Chen Qingwei, et al. Fault Detection for Networked Control Systems with Multi-packet Transmission Based on Scheduling[J]. Journal of Computational Information Systems,2007,3(3):1257-1263.

[5] 黃鶴,韓笑冬,王執(zhí)銓.有時延和數(shù)據(jù)包丟失的網(wǎng)絡控制系統(tǒng)故障檢測[J].南京理工大學學報(自然科學版),2008,32(4):387-392.

[6] 鄭英,胡修林,方華京.基于觀測器的網(wǎng)絡化控制系統(tǒng)故障診斷方法[J].系統(tǒng)工程與電子技術,2005(6):1069-1072.

[7] 謝林柏,紀志成,方華京.具有異步時延的網(wǎng)絡化控制系統(tǒng)故障檢測[J].系統(tǒng)仿真學報,2005,17(11):2717-2720.

[8] 劉云霞,鐘麥英.基于等價空間的網(wǎng)絡控制系統(tǒng)故障檢測問題研究[J].系統(tǒng)工程與電子技術,2006,28(10):1553-1555.

[9] Zhang P, Ding S X, Frank P M, et al. Fault Detection of Networked Control Systems with Missing Measurements[C]. Control Conference,5th Asian,2004,2:1258-1263.

[10] 魏少華,陳效華,常思勤.基于聲強與神經(jīng)網(wǎng)絡技術的發(fā)動機故障診斷[J].汽車工程,2006,28(4):401-404.

[11] 李國勇,楊慶佛.基于模糊神經(jīng)網(wǎng)絡的車用發(fā)動機智能故障診斷系統(tǒng)[J].系統(tǒng)仿真學報,2007,19(5):1034-1037.

[12] 姜萬錄,劉思遠.多特征信息融合的貝葉斯網(wǎng)絡故障診斷方法研究[J].中國機械工程,2010,21(8):940-945.

[13] 吳欣,郭創(chuàng)新.基于貝葉斯網(wǎng)絡的電力系統(tǒng)故障診斷方法[J].電力系統(tǒng)及其自動化學報,2005,17(4):11-15.

[14] 朱剛,周政新,馬良.基于貝葉斯網(wǎng)絡的電機智能診斷技術研究[J].微計算機信息,2006,22(1-1):166-168.

[15] 吳立增,朱永利,苑津莎.基于貝葉斯網(wǎng)絡分類器的變壓器綜合故障診斷方法[J].電工技術學報,2005,20(4):45-51.

Fault Diagnosis Method of Automotive Network withBayesian Network-based Information Fusion

Li Hongmei1,2, Tong Weiming1& Cheng Shukang1

1.SchoolofElectricalEngineeringandAutomation,HarbinInstituteofTechnology,Harbin150001; 2.AerospaceHi-TechHoldingGroupCo.,Ltd.,Harbin150060

Based on the information fusion of Bayesian network, the fault diagnosis method of vehicle network is studied in this paper. Firstly, the fault types of vehicle network system are analyzed. Then, according to the randomness and uncertainty features of faults, a fault diagnosis method with information fusion based on Bayesian network is proposed after analyzing relevant fault diagnosis methods. Finally, combined with expert knowledge and massive statistical data, the fault diagnosis method proposed is applied to the fault diagnosis of automotive engine nodes, validating the effectiveness of the method proposed.

automotive network; fault diagnosis; Bayesian network; information fusion

*國家自然科學基金(51377030)資助。

原稿收到日期為2014年9月17日，修改稿收到日期為2014年11月16日。