唐風(fēng)敏

（中國(guó)汽車技術(shù)研究中心有限公司，天津 300300）

1 前言

汽車遠(yuǎn)程故障診斷系統(tǒng)是指在汽車工作時(shí)，實(shí)時(shí)獲取汽車各種狀態(tài)數(shù)據(jù)，通過分析處理獲得汽車的故障信息，并上傳至數(shù)據(jù)處理中心，系統(tǒng)會(huì)根據(jù)這些信息對(duì)汽車的故障進(jìn)行診斷，并反饋出最佳的解決方案。在條件允許的情況下實(shí)施遠(yuǎn)程自動(dòng)消除，如無法遠(yuǎn)程消除則以短信方式通知車主，確保車主及時(shí)了解車輛故障，以防行車中危險(xiǎn)發(fā)生。同時(shí)，要將相關(guān)故障信息，車輛信息發(fā)送到4S店中，及時(shí)聯(lián)系客戶安排具體的維修時(shí)間、方案等。

由于現(xiàn)在汽車電控系統(tǒng)的復(fù)雜性和故障的多樣化，使得判斷故障及制定解決方案時(shí)很難快速準(zhǔn)確地找到最佳方案。這是因?yàn)楣收显蚝凸收犀F(xiàn)象沒有一對(duì)一的映射關(guān)系，往往一個(gè)故障原因可以產(chǎn)生多種故障現(xiàn)象，一個(gè)故障現(xiàn)象也往往可以有多種故障原因［1］。在汽車的故障診斷中，通常沒有明確的故障等級(jí)分界 （如發(fā)動(dòng)機(jī)噪聲“較大”和“很大”），這種模糊的描述方式對(duì)我們作出準(zhǔn)確的判斷有很大程度的影響。因此，這里引入人工智能神經(jīng)網(wǎng)絡(luò)算法，此問題便迎刃而解。

2 分析

2.1 需求

首先，我們要擁有最為詳實(shí)的維修數(shù)據(jù)庫(kù)，使得確保在最短時(shí)間內(nèi)調(diào)取數(shù)據(jù)庫(kù)中維修方案為用戶提供技術(shù)支持，這樣就克服了維修點(diǎn)和OEM之間的地域差距問題，節(jié)省了工程師出差費(fèi)用。其次，收集盡可能多的故障類型和相應(yīng)的維修方案及用戶體驗(yàn)的數(shù)據(jù)，以此為基礎(chǔ)完善該車型后續(xù)的升級(jí)優(yōu)化策略，提升用戶的滿意度。

同時(shí)，該系統(tǒng)要囊括車輛定位服務(wù)、車輛實(shí)時(shí)監(jiān)控、安全氣囊彈出求助、讀取數(shù)據(jù)流、讀取故障碼、故障報(bào)警處理、清除故障碼、車輛救援服務(wù)、車輛保養(yǎng)提醒、車輛安全系統(tǒng)、車聯(lián)網(wǎng)客服中心、碰撞自求助等功能。

2.2 組成

遠(yuǎn)程診斷系統(tǒng)由遠(yuǎn)程診斷儀、后臺(tái)數(shù)據(jù)中心、用戶終端3部分構(gòu)成。其中后臺(tái)數(shù)據(jù)中心是整個(gè)系統(tǒng)的核心，遠(yuǎn)程診斷儀采集的診斷數(shù)據(jù)將全部傳輸給后臺(tái)數(shù)據(jù)中心，通過后臺(tái)數(shù)據(jù)中心的數(shù)據(jù)處理，通過用戶終端與研發(fā)、測(cè)試、試制、售后、生產(chǎn)制造、用戶進(jìn)行數(shù)據(jù)交互［2］。系統(tǒng)框圖如圖1所示。

2.3 問題分析

針對(duì)后臺(tái)數(shù)據(jù)中心這個(gè)診斷系統(tǒng)的核心部分，傳統(tǒng)方案通常不能充分利用這個(gè)信息量巨大的資源，經(jīng)常是根據(jù)工程師及相關(guān)專家的經(jīng)驗(yàn)通過故障現(xiàn)象推測(cè)出故障原因，又由于在遠(yuǎn)程診斷系統(tǒng)中，工程師不能親臨現(xiàn)場(chǎng)，無法實(shí)地考察，只能通過網(wǎng)絡(luò)傳輸?shù)墓收洗a等信息來判斷，這就大大提高了工作難度。

圖1 診斷系統(tǒng)框圖

在診斷過程中，往往存在許多的不確定性，診斷儀所反饋的信息通常不完整不詳實(shí)，面對(duì)這些模糊的信息，利用神經(jīng)網(wǎng)絡(luò)聚類融合的特性，并且以足夠大的診斷案例數(shù)據(jù)為基礎(chǔ)，經(jīng)過大量的訓(xùn)練即可將故障現(xiàn)象的故障原因以一個(gè)較為準(zhǔn)確的數(shù)學(xué)模型映射出來，必將大大提高遠(yuǎn)程診斷效率和準(zhǔn)確性。

3 方案

3.1 設(shè)計(jì)思路

通過不定時(shí)地對(duì)汽車各部件特征 （如蓄電池電壓、發(fā)動(dòng)機(jī)冷卻液溫度、踏板位置等）等間隔采樣若干次，確定故障現(xiàn)象特征向量X，對(duì)X進(jìn)行歸一化處理得到神經(jīng)網(wǎng)絡(luò)輸入向量X，通過神經(jīng)網(wǎng)絡(luò)映射出故障原因Y，從而獲得具體故障原因和安全等級(jí)，并迅速通過GPRS、3G或4G網(wǎng)絡(luò)將故障原因解決方案等通知駕駛員，提供必要的技術(shù)支持。

3.2 具體方案

3.2.1 故障診斷系統(tǒng)結(jié)構(gòu)

根據(jù)汽車內(nèi)部組件的工作機(jī)理和故障產(chǎn)生的可能來源設(shè)計(jì)了一個(gè)故障診斷系統(tǒng)，該故障診斷系統(tǒng)框圖如圖2所示。

圖2 故障診斷系統(tǒng)

由圖2可知，在汽車啟動(dòng)運(yùn)行后，通過各個(gè)部件的傳感器采集實(shí)時(shí)數(shù)據(jù)，根據(jù)聚類融合的思想，傳感器數(shù)據(jù)Sx，x∈{T，P，V}，經(jīng)過網(wǎng)絡(luò)聚類后，得到相應(yīng)的故障類別Fx，x∈{T，P，V}。這里x取不同的符號(hào)表示由T（溫度）、P（壓力）、V（速度）的異常而引起的汽車故障。

式中：n——某采樣點(diǎn)采集數(shù)據(jù)個(gè)數(shù)；m——采樣點(diǎn)個(gè)數(shù)。

同理

式中：n——某采樣點(diǎn)采集數(shù)據(jù)個(gè)數(shù)；j——采樣點(diǎn)個(gè)數(shù)。

所有監(jiān)測(cè)類型所檢測(cè)數(shù)據(jù)都可以以此形式表示出來，這里只以這3種為例，后文也只建立以這3種檢測(cè)數(shù)據(jù)為基礎(chǔ)的診斷模型。

3.2.2 汽車聚類融合故障診斷結(jié)構(gòu)

通過這3組傳感器分別獲得不同監(jiān)測(cè)點(diǎn)的實(shí)時(shí)數(shù)據(jù)，其中在溫度傳感系統(tǒng)中初步提取發(fā)動(dòng)機(jī)進(jìn)氣溫度、發(fā)動(dòng)機(jī)冷卻液溫度、發(fā)動(dòng)機(jī)機(jī)油溫度、變速器潤(rùn)滑油油溫4組溫度監(jiān)測(cè)數(shù)據(jù)。在壓力傳感系統(tǒng)中初步提取機(jī)油壓力、進(jìn)氣壓力、輪胎壓力、ABS油壓4組壓力監(jiān)測(cè)數(shù)據(jù)。在速度傳感系統(tǒng)中初步提取發(fā)動(dòng)機(jī)轉(zhuǎn)速、輪胎轉(zhuǎn)速2組速度監(jiān)測(cè)數(shù)據(jù)。

這3組被監(jiān)測(cè)的物理量可能對(duì)某一故障都會(huì)產(chǎn)生某一片面的故障現(xiàn)象，但都不能全面地反映故障原因，于是通過神經(jīng)網(wǎng)絡(luò)聚類融合技術(shù)將各種故障現(xiàn)象聚類分析，綜合考量會(huì)得到更為具體全面的結(jié)果。設(shè)計(jì)的原理結(jié)構(gòu)圖如圖3所示。

圖3 聚類融合原理結(jié)構(gòu)圖

在圖3聚類融合原理結(jié)構(gòu)圖中，采用了分布式和兩級(jí)的聚類融合控制系統(tǒng)結(jié)構(gòu)［3-4］，第1級(jí)由10個(gè)ART-2神經(jīng)網(wǎng)絡(luò)構(gòu)成，分別對(duì)3組不同物理傳感信號(hào)進(jìn)行融合，第2級(jí)用1個(gè)BP神經(jīng)網(wǎng)絡(luò)對(duì)第1級(jí)融合的結(jié)果進(jìn)行2次融合，最終融合結(jié)果輸入到不同的聚類融合空間，經(jīng)復(fù)雜映射到類別空間，由網(wǎng)絡(luò)自行運(yùn)算得到了控制策略，這個(gè)策略可以幫助我們進(jìn)行故障診斷、事故預(yù)報(bào)、生產(chǎn)指導(dǎo)等具體工作［5］。

該網(wǎng)絡(luò)系統(tǒng)的具體映射過程如圖4所示。

圖4 網(wǎng)絡(luò)映射過程

3.2.3 數(shù)學(xué)模型初步建立

在BP神經(jīng)網(wǎng)絡(luò)中的網(wǎng)絡(luò)數(shù)學(xué)模型包括：節(jié)點(diǎn)輸出模型和作用函數(shù)模型。

隱層節(jié)點(diǎn)輸出模型：

輸出節(jié)點(diǎn)輸出模型：

式中：f——非線性作用函數(shù)；q——神經(jīng)元閾值。

作用函數(shù)模型：

作用函數(shù)一般取為（0，1）內(nèi)連續(xù)取值Sigmoid函數(shù)：

在這個(gè)網(wǎng)絡(luò)模型的傳感器模式空間中，記錄數(shù)據(jù)如下。

將記錄的數(shù)據(jù)轉(zhuǎn)化為狀態(tài)信息，每一個(gè)測(cè)量值都有其正常范圍。我們規(guī)定：當(dāng)測(cè)量值在該范圍內(nèi)時(shí)，令狀態(tài)值為1，當(dāng)測(cè)量值不在該范圍內(nèi)時(shí)，令狀態(tài)值為0。舉例說明。

壓力和速度的狀態(tài)信息都可以用此形式表示。

由于我們所診斷的汽車故障通常都是會(huì)維持一段時(shí)間的，所以我們可以將傳感器數(shù)據(jù)采樣方式設(shè)置為采樣間隔2s，采樣窗口大小為20s，這樣每個(gè)采樣點(diǎn)在一個(gè)采樣窗口中可以采集11個(gè)數(shù)據(jù)。將這3組采集到的數(shù)據(jù)經(jīng)信息處理模塊進(jìn)入輸入信息空間X，即將這3組數(shù)據(jù)經(jīng)過第1級(jí)的10個(gè)ART-2神經(jīng)網(wǎng)絡(luò)融合后，得到了各自輸入向量Xi。

系統(tǒng)的輸入信息空間輸入向量

由系統(tǒng)輸入信息空間經(jīng)映射Φ到聚類融合空間C，這里映射Φ由10個(gè)ART-2神經(jīng)網(wǎng)絡(luò)組成每個(gè)網(wǎng)絡(luò)的維數(shù)K=11，其他參數(shù)如對(duì)比度常數(shù)，調(diào)整子系統(tǒng)常數(shù)等以及之后的BP神經(jīng)網(wǎng)絡(luò)模型的建立均需要根據(jù)具體實(shí)際情況由專業(yè)數(shù)學(xué)建模人員來完成。之后再由聚類融合空間C經(jīng)映射φ到類別空間。這里類別空間即指導(dǎo)致汽車發(fā)生故障現(xiàn)象的故障原因 （故障原因需要通過后臺(tái)中心數(shù)據(jù)庫(kù)中大量診斷病例來獲得）和故障等級(jí)，如將故障分為①正常、②輕微、③一般、④嚴(yán)重、⑤非常嚴(yán)重5個(gè)等級(jí)，通過建立特定的BP神經(jīng)網(wǎng)絡(luò)模型，輸出對(duì)應(yīng)的故障原因和故障等級(jí)［6］。

BP神經(jīng)網(wǎng)絡(luò)的建立需要通過對(duì)大量的采集數(shù)據(jù)進(jìn)行訓(xùn)練自學(xué)習(xí)，通常用MATLAB工具建立BP神經(jīng)網(wǎng)絡(luò)仿真模型，我們需要對(duì)這個(gè)模型輸入后臺(tái)數(shù)據(jù)庫(kù)中大量的診斷案例的故障現(xiàn)象和故障原因及故障等級(jí)的對(duì)應(yīng)關(guān)系，設(shè)置學(xué)習(xí)率，訓(xùn)練步數(shù)，經(jīng)過多步的訓(xùn)練自學(xué)習(xí)從而由該BP網(wǎng)絡(luò)自行建立一個(gè)復(fù)雜的模糊映射關(guān)系。這個(gè)復(fù)雜的映射關(guān)系建立成功后，再有數(shù)據(jù)輸入就會(huì)產(chǎn)生對(duì)應(yīng)的輸出。也就是說，輸入故障現(xiàn)象向量X，經(jīng)過網(wǎng)絡(luò)映射就會(huì)得到故障原因和故障等級(jí)向量Y。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

最后輸出向量Y經(jīng)映射ψ到控制策略空間U，這個(gè)空間可為我們提供相應(yīng)的診斷方案、事故預(yù)報(bào)和生產(chǎn)指導(dǎo)。這樣，一個(gè)完整的基于人工智能神經(jīng)網(wǎng)絡(luò)的遠(yuǎn)程故障診斷系統(tǒng)就搭建完畢。

4 結(jié)束語

通過這個(gè)人工智能神經(jīng)網(wǎng)絡(luò)遠(yuǎn)程診斷系統(tǒng)可以實(shí)現(xiàn)當(dāng)故障發(fā)生時(shí)，僅通過將各個(gè)部件設(shè)置的傳感器系統(tǒng)所采集的物理信息輸入該智能系統(tǒng)，就可得到我們通常很難判斷準(zhǔn)的故障原因和故障等級(jí)以及種種售后服務(wù)信息，再經(jīng)由GPRS或3G或4G網(wǎng)絡(luò)將這些信息發(fā)送給用戶［7-8］，不僅及時(shí)為用戶提供了必要的技術(shù)支持，更增加了售后服務(wù)的人性化智能化的特點(diǎn)，也將大大提高用戶體驗(yàn)的滿意度［9-10］。