摘 要： 動態(tài)數(shù)據(jù)流能夠為維修工作提供強大的輔助作用，維修人員據(jù)此能夠對各類傳感器產生的相關動態(tài)數(shù)據(jù)（輸進、輸出訊號期間）進行快速解讀，可有效彌補傳統(tǒng)評判、維修汽車產生各類故障過程以維修經驗為主的方式的不足。主要對基于RBF和數(shù)據(jù)流的汽車電控發(fā)動機故障診斷過程進行了研究，在分析汽車數(shù)據(jù)流的基礎上，介紹了運用 RBF和數(shù)據(jù)流診斷電控發(fā)動機故障的原理及過程，進一步提高借助數(shù)據(jù)流開展診斷與評判相關故障工作的效率及準確率，以期為完善發(fā)動機故障的檢測過程提供參考。

關鍵詞： 數(shù)據(jù)流; RBF 神經網絡; 電控發(fā)動機; 故障診斷

中圖分類號： TP 393文獻標志碼： A

Research on Fault Diagnosis Device of Automobile Electronic

Control Engine Based on RBF and Data Flow

MAI Peng

（Department of Automotive Engineering，Xian Vocational University of Automobile，?? Xian， Shanxi? 710600， China）

Abstract： Dynamic data flow can provide a powerful auxiliary function for maintenance work. Maintenance personnel can quickly interpret related dynamic data （during input and output signals） generated by various sensors， which can effectively compensate for traditional evaluation and maintenance of automobile production. This paper mainly studies the fault diagnosis process of automobile electronically controlled engine based on RBF and data flow. Based on the analysis of automobile data flow， it introduces the application of RBF and data flow， diagnoses electronically controlled engine failure， and further improves the efficiency and accuracy of the diagnosis and evaluation of related faults by means of data flow， in order to provide reference for improving the detection process of engine faults.

Key words： data flow; RBF neural network; electronically controlled engine; fault diagnosis

0 引言

隨著汽車自動化程度的不斷提高，汽車中電子設施的不斷增多及發(fā)動機豐富的功能使發(fā)動機結構日益復雜，從而使發(fā)動機發(fā)生故障時的診斷難度不斷提升，發(fā)動機故障診斷問題日益突出，傳統(tǒng)故障診斷方法已經難以滿足現(xiàn)代汽車電控發(fā)動機故障對診斷質量及效率的要求，因此對汽車故障的一般規(guī)律進行研究以供維修過程參考和使用具有重要的理論和實際應用價值，通過先進高效方法的應用實現(xiàn)電控發(fā)動機故障的診斷成效的有效提升成為領域的研究重點之一。汽車數(shù)據(jù)流為復雜的發(fā)動機故障問題的有效解決提供了有效手段，數(shù)據(jù)流技術基于執(zhí)行器、傳感器技術通電控系統(tǒng)間的相互作用，可預先針對產生的問題給予警示及問題產生的原因及位置等，促進了汽車優(yōu)化控制水平的顯著提高，為使電控發(fā)動機故障能夠被快速準確的定位進而顯著提高維修效率，本文結合運用RBF和數(shù)據(jù)流提出了一種汽車電動機故障的診斷方法，為維修工作提供參考，以確保汽車能夠安全運作。

1 現(xiàn)狀分析

儀器診斷法等傳統(tǒng)方式在診斷汽車電控發(fā)動機相關故障時，通常還需結合維修人員所積攢的實際工作經驗完成對各類故障的診斷過程，在處理部分故障方面此種方式發(fā)揮出了尤為重要的作用，但隨著汽車行業(yè)發(fā)展水平的不斷提升，僅憑經驗的故障診斷方法已難以滿足對現(xiàn)代汽車維修質量的需求，維修有關人員在對電控裝配通過使用儀器診斷法對所產生的各類異常進行評判時通常以故障碼作為搜尋故障的憑據(jù)，雖然以電控發(fā)動機中發(fā)生的故障代碼（儲藏于電子控制單元中）為依據(jù)開展診斷工作能夠實現(xiàn)故障產生部位快速準確的定位，但電子控制單元無法對相關內容（包括訊號偏差、短路故障等）進行記錄，并且電控發(fā)動機相關故障存在難以借助故障碼有效凸顯的問題，這就需要維修人員對引發(fā)故障的各類因素做進一步搜尋，可從傳感器自身工作狀態(tài)、壓力等出發(fā)。汽車傳感器、執(zhí)行器在同電子控制單元進行交流時會產生相應的數(shù)據(jù)參數(shù)，這些參數(shù)即構成了具體的汽車數(shù)據(jù)流，汽車數(shù)據(jù)流會受到時間及工況的影響，在診斷汽車

故障時使用專業(yè)診斷儀器實現(xiàn)通過診斷接口完成相關數(shù)據(jù)的獲取，相關器件（以執(zhí)行器和傳感器為主）的工作狀態(tài)和電壓通過數(shù)據(jù)流可實現(xiàn)客觀準確的反映及汽車故障的準確定位，從而為維修工作提供了重要依據(jù)。近年來隨著以小波分析法（基于傅里葉方法）為代表的汽車故障診斷方法的發(fā)展和完善，通過在對汽車故障進行診斷的過程中精細化處理相關噪聲，使故障檢測工作準確率及檢測效率得以有效提升[1]。同時通過建立數(shù)學模型對汽車故障進行診斷（如貝葉斯網絡法、基于本體理論建模等解析模型診斷法），本文則結合運用數(shù)據(jù)流和 RBF研究診斷電控發(fā)動機故障的實現(xiàn)方法。

2 基于數(shù)據(jù)流的發(fā)動機故障診斷途徑

汽車作為機電一體化產品的典型代表，電控相關技術的提升已成為汽車領域進步的方向之一，快速發(fā)展的信息技術和電子技術為汽車發(fā)動機的電控技術水平提供了強大的技術支撐，促進了汽車發(fā)動機功能先進水平及功能不斷提升，隨著汽車設計中傳感器（位于電控體系中）的普遍應用，催生出了數(shù)據(jù)流分析，在電控發(fā)動機診斷過程中使傳統(tǒng)各類診斷方法同數(shù)據(jù)流間得以有效融合，為發(fā)動機相關故障的處理提供技術支撐，按照汽車領域現(xiàn)階段發(fā)展情況，基于數(shù)據(jù)流分析的電控發(fā)動機故障診斷方式主要包括：

2.1 靜態(tài)數(shù)據(jù)流

在汽車電控發(fā)動機相關故障中應用靜態(tài)數(shù)據(jù)流時，多功能的故障診斷儀（包括示波器及解碼器等）為成為實施診斷過程中的重要設施，外接壓力為 10-15 V的故障診斷儀的主要構成部分為容性感應夾、測試及電源延長線等，在使用時需結合運用相關測試插頭，例如，對需外接其余電源的診斷座，需對設施蓄電池的正極和負極分別同紅色鱷魚夾和黑色鱷魚夾進行聯(lián)結。作為設施中的關鍵構成，診斷盒、主機等在運用時需以相關規(guī)定和配備情況為依據(jù)，例如某一汽車在運行了35 000千米后產生熄火及難以正常啟動發(fā)動機的現(xiàn)象，維修相關人員運用靜態(tài)數(shù)據(jù)流診斷故障后確定了汽車中的冷卻液溫度為20 ℃，據(jù)此評判出汽車故障同溫度傳感器（位于冷卻液中）的傳送訊號異常相關，維修相關人員通過對水溫傳感器進行測算后（使用數(shù)字萬用表完成），未能實現(xiàn)從傳感器中有效讀出故障碼，詢問用戶發(fā)現(xiàn)用戶曾對發(fā)動機使用水槍進行清潔，此不正確操作是引發(fā)冷卻液溫度產生異常（即溫度傳感器傳送訊號）的主要因素，最終通過更換冷卻液中的溫度傳感器完成維修過程，汽車又可正常開啟[2]。

2.2 動態(tài)數(shù)據(jù)流

汽車點火開關接通并啟動了發(fā)動機即為動態(tài)狀態(tài)，可采用診斷儀讀取發(fā)動機電控系統(tǒng)數(shù)據(jù)，在汽車電控發(fā)動機故障診斷過程中，由空氣流量傳感器產生的各類異常可通過使用動態(tài)數(shù)據(jù)流完成診斷及處理過程，處理此類故障過程中維修人員需重點關注的相關因素內容包括發(fā)動機轉速、載荷與進氣量訊號值等，例如診斷某一汽車產生故障的過程中，針對汽車進氣量與發(fā)動機轉速訊號，維修人員通過動態(tài)數(shù)據(jù)流的使用完成對引發(fā)發(fā)動機怠速轉速異常的空氣流量傳感器異常的關鍵因素的評判[3]。

2.2.1 有故障碼狀態(tài)

此種情況需重點關注關于故障碼的傳感器數(shù)據(jù)以便分析出汽車故障，例如，每百公里某輛桑塔納汽車的耗油量增加了1升，在調整點火正時后（并已更換火花塞）問題仍未解決，確認為非燃油問題，采用故障診斷儀讀取發(fā)動機的故障碼，結果為“氧傳感器信號超差”，進入讀測數(shù)據(jù)塊，讀取16 通道的氧傳感器數(shù)據(jù)值穩(wěn)定在 0.01 V，氧傳感器的讀數(shù)結果低于0.45 V，據(jù)此推斷可能是由自身信號錯誤或混合氣稀導致。再結合發(fā)動機的表現(xiàn)可判斷出不是混合氣稀問題，接下來檢查氧傳感器，在加濃混合氣的情況下觀察氧傳感器數(shù)據(jù)變化情況，氧傳感器讀數(shù)在持續(xù)加油情況下并未發(fā)生較大變化（僅提高到0.03 V），且加熱線法相電壓正常，據(jù)此斷定氧傳感器被損壞，更換新氧傳感器維修結束。

2.2.2 無故障碼狀態(tài)

對此種情況下的傳感器信號數(shù)據(jù)通過定量和關聯(lián)分析完成汽車故障部位的確定。例如行駛中的汽車處于怠速狀態(tài)其發(fā)動機會抖動，加速時有黑煙冒出表現(xiàn)出行進動力不足，根據(jù)排黑煙情況可知燃料供給系統(tǒng)中混合氣過濃，實際噴油量難以滿足負荷工況，混合氣過濃的情況包含多種原因，發(fā)動機 ECU 發(fā)生故障的情況較少，先檢查燃油壓力結果顯示狀態(tài)正常（248 千帕）。再拆檢氣缸的火花塞發(fā)現(xiàn)較為嚴重的熏黑及積炭現(xiàn)象，已燒蝕的中心電極降低了跳火能量，更換火花塞后怠速抖動問題得以解決但仍存在排氣冒黑煙現(xiàn)象?？諝饬髁總鞲衅骺赡馨l(fā)生故障但更換后仍未消除故障情況，使用故障閱讀儀讀取故障代碼未發(fā)現(xiàn)故障記憶，提升冷卻液至85 ℃后進行檢測，結合發(fā)動機復合信號顯示值 3.8 V（怠速正常值范圍在1.5～2.5 V間，氧傳感器信號動態(tài)值僅為 0.018 V（正常值范圍0.1 ～0.9 V 間）且其信號電壓值過低，證明混合氣稀，判斷氧傳感器發(fā)生故障，檢查發(fā)現(xiàn)氧傳感器加熱電路正常，更換氧傳感器后汽車故障得以解決。

3 汽車電控發(fā)動機故障診斷

汽車數(shù)據(jù)流以檢測儀器上數(shù)據(jù)量的不同顯示方式為依據(jù)可劃分為數(shù)值及狀態(tài)兩種參數(shù)類型，狀態(tài)參數(shù)主要對電控裝置中的工作部件（包括電磁閥及開關等）進行描述，在檢測過程中汽車狀態(tài)參數(shù)呈現(xiàn)出高低變化或是開/關的不同狀態(tài)。電控裝置中的關鍵要素（包括工作時間、溫度、電壓等）則主要通過數(shù)值參數(shù)進行描述。在采用 MATLAB 神經網絡對發(fā)動機數(shù)據(jù)流進行檢測時，需以發(fā)動機正常運轉及出現(xiàn)故障后的兩個階段的數(shù)據(jù)樣本作為基礎，同時在進行發(fā)動機故障診斷時需確定網絡結構設計及對應網絡參數(shù)，在此基礎上以輸入樣本數(shù)據(jù)為依據(jù)對網絡進行訓練，根據(jù)訓練結果輸入所需診斷的數(shù)據(jù)并獲取最終診斷結果。

3.1 RBF神經網絡模型

作為人工神經網絡的一種，RBF對生物局部調節(jié)和交疊區(qū)域知識進行了充分借鑒，需完成局部接受域執(zhí)行函數(shù)映射，RBF網絡具體可劃分為三層，各層具有不同的功能，以一系列源點作為主要構成的輸入層負責完成RBF網絡同外界的聯(lián)合過程;中間層內含一個隱層，主要負責完成輸入空間到隱層空間的轉換（屬于非線性變換），通過基函數(shù)（位于隱層中）影響外部輸入信號，即網絡中的隱層節(jié)點在外部信號接近基函數(shù)中央范圍時會產生較大的輸出，實現(xiàn)RBF網絡的局部逼近功能。輸出模式在RBF 網絡中屬于線性，負責為信號（作用于輸入層）提供響應。在 RBF網絡系統(tǒng)中，以輸入向量為依據(jù)徑向基神經元會將其同各神經元權值的距離值進行輸出，當輸入量同網絡中神經元權值距離較大時，其所產生的輸出值接近于 0，系統(tǒng)線性神經元受到較小的輸出值的影響較小可忽略;當所產生的輸出值接近于 1 時會激發(fā)第二層線性神經元權值輸出[4]。

3.2 RBF網絡的學習算法

RBF 神經網絡參數(shù)主要需確定兩個方面即輸出層權值 W 陣、隱層神經元中心向量及詭異化參數(shù)向量（分別由c、σ表示）。在確定隱層神經元中心時，隱層神經元中心通過使用基于線性學習規(guī)則的k-means 聚類（沒有監(jiān)督的方案）完成確定，為使網絡局部陷入極小點問題得以有效避免，在RBF 網絡中通過調整 k 值以確保RBF 具有良好的局部逼近能力，從而實現(xiàn)整個網絡收斂性能的提高，具體計算流程如下。

先對初始化中心進行確定并由 ci（0）表示，1≤t≤M，以Xm（m=1，2，…，M）表示輸入樣本，從輸入樣本中選擇 M 個樣本并將其作為聚類中心，由 ac（0）表示初始學習速率。

接下來對樣本進行分組（以樣本最鄰近的規(guī)則為依據(jù)），在 t 時刻由Xn（t）表示輸入向量，計算各個Xn（t）同中心的距離，在此基礎上獲取一個最小的距離，具體表達式如下[5]。

然后對中心值進行更新，所依據(jù)的更新規(guī)則如下[6]。

在對學習的完成情況及樣本中心分布的狀態(tài)（是否不再變化）進行判斷，分布穩(wěn)定則計算工作結束，否則另 n=n+1 返回到對樣本進行分組的步驟急需進行。最終獲取 ci（i =1，2，…，M）的計算結果即為RBF的基函數(shù)的中心。

在完成隱層神經元中心的確定后，需對高斯函數(shù)的寬度進行確定，利用歸一化參數(shù)進行計算，計算結果即為高斯函數(shù)的寬度，同所選中心間的最大距離由dm表示，RFB隱層節(jié)點的數(shù)目由M 表示，具體公式如下[7]。

在確定了參數(shù)σi 的基礎上，可使輸出層權值的訓練過程得以有效簡化，能量函數(shù) E的表達式如下。

根據(jù)訓練樣本可獲取使 E 最小的權值參數(shù)，使用遞推最小二乘法完成訓練過程。

4 故障診斷的實現(xiàn)

4.1 診斷數(shù)據(jù)采集

汽車電子控制系統(tǒng)帶有 OBDII（隨車診斷系統(tǒng)）的基于 B 類數(shù)據(jù)通信網絡協(xié)議，B 類網絡通信應用可主要劃分為兩類以不同速率通信進行的優(yōu)化設計（即10.4 KB、41.6 KB），

本文基于主流的 OBDII 自診斷協(xié)議完成了發(fā)動機診斷數(shù)據(jù)采集系統(tǒng)的構建，該采集系統(tǒng)主要由相關硬件接口及通信協(xié)議反數(shù)據(jù)分析軟件構成，接口電路負責實現(xiàn)信號在OBDII同PC間的交換過程，OBDII 系統(tǒng)根據(jù)數(shù)據(jù)采集和分析完成相關請求和接收的發(fā)送和應答，具體工作數(shù)據(jù)采集系統(tǒng)總體架構如圖 1 所示。

傳感器故障診斷原理如圖2所示[8]。

診斷數(shù)據(jù)采集工作過程能夠對發(fā)動機的輸入/輸出數(shù)據(jù)進行記錄（包括發(fā)動機負荷、冷卻液溫度等），部分訓練樣本數(shù)據(jù)如表 1 所示。

考慮到所選擇的訓練樣本數(shù)據(jù)具有不同的量綱且大小差別較大，對訓練樣本數(shù)據(jù)在開始訓練前通過歸一化處理后，所獲取的樣本數(shù)據(jù)如表 2 所示。

4.2 RBF網絡設計

本文設置分布常數(shù)為1.2，通過Matlab 代碼的使用完成RBF 網絡的構建，輸入向量由P表示，目標向量由T表示，具體代碼為：

spread = 1.2;

net = newrbe（P，T，spread）;

根據(jù)表2 中數(shù)據(jù)可得：

P=[0.000 9 0.021 1 0.079 4 0.026 8 0 0.243 9

1.000 0 0.057 9 0.001 0 0.012 1 0.034 1

0.024 1 0 0.274 2 1.000 0 0.0447 0 0.009 4

0.093 5 0.105 8 0 0.304 5 1.000 0 0.061 8]

t =[001;010;100]

p = p';T = T'

網絡的目標函數(shù)設定為 0.0001，設置網絡的擴展速度（由sp表示）為 1，網絡神經元最大數(shù)目（由mn表示）為20，設置訓練的間隔神經元數(shù)目（由df表示）為 1，以net = newrb（p，t，goal，sp，mn，df）為依據(jù)完成RBF 神經網絡的構建，基于RFB 的診斷模型的輸入層包含8 個神經元（分別同8 個故障征兆特征值相對應），輸出層包含3 個神經元（分別同3 種典型故障類型相對應），RBF 神經網絡表現(xiàn)出了較好的訓練結果和收斂結果，在已訓練好的診斷網絡中輸入訓練結束后獲取的故障特征值，輸出結果即為診斷結果，使診斷工作的準確性得以顯著提升[9]。

5 總結

作為汽車的重要構成部分，電控發(fā)動機的安全高效運轉是確保汽車安全的基礎，對電控發(fā)動機故障的診斷體系提出了更高的要求，能夠對動態(tài)數(shù)據(jù)流進行搜尋并具備一定的讀碼等功能，采用 RBF和數(shù)據(jù)流技術診斷汽車發(fā)動機傳感器故障具有較高的可行性，檢測故障時通過 RBF 神經網絡技術的使用可使診斷過程更加直觀便捷，為彌補單純使用 RBF易出現(xiàn)黑箱特性及難以解釋的不足，本文在建立診斷發(fā)動機故障的RBF 網絡模型的基礎上，在對故障實施診斷期間引入了數(shù)據(jù)流分析，在出現(xiàn)了故障碼后可為實施診斷提供憑據(jù)，在無法收獲故障碼的情況下則借助動態(tài)數(shù)據(jù)流完成故障診斷過程，實現(xiàn)對故障部位快速精準的定位，使診斷的精準性得以顯著提升，降低了由于盲目監(jiān)測與拆解所引發(fā)的損失。

參考文獻

[1] 董軍，何嘉偉，鄧雄章，等. 汽車發(fā)動機缸孔珩磨表面織構預測建模與工藝參數(shù)優(yōu)化[J].? 組合機床與自動化加工技術， 2018（9）：107-110.

[2] 阿依古麗·木沙于甫，吐爾洪江·吐拉克. La變質處理對汽車發(fā)動機用ZL205合金組織和力學性能的影響[J].? 熱加工工藝， 2018（3）：107-111.

[3] 史俊濤.由故障案例引發(fā)對當代汽車電控發(fā)動機系統(tǒng)故障診斷及維修技術的探索[J].時代汽車，2019（6）：168-169.

[4] Vrac Damir S， Sidjanin? Leposava P， Kovac Pavel P， et al .The influence of honing process parameters on surface quality， productivity， cutting angle and coefficients of friction[J].? Industrial Lubrication and Tribology. 2016 （2）：77-83.

[5] Fuzhou Feng， Aiwei Si， Hongxing Zhang. Research on Fault Diagnosis of Diesel Engine Based on Bispectrum Analysis and Genetic Neural Network[J].? Procedia Engineering， 2016（3）：2454-2458.

[6] 李兆鵬，祖炳潔. 數(shù)據(jù)流分析在電控發(fā)動機故障診斷中的應用研究[J].? 農業(yè)裝備與車輛工程， 2017（7）：97-100.

[7] 寇祖濤. 汽車電控發(fā)動機系統(tǒng)故障診斷與維修技術分析[J].? 科技創(chuàng)新與應用， 2017（13）：126-127.

[8] 祁平. 故障代碼分析和數(shù)據(jù)流分析在電控發(fā)動機故障診斷中的應用[J].? 內燃機與配件， 2017（8）：103-104.

[9] 劉金良.數(shù)據(jù)流分析在汽車電控發(fā)動機故障診斷中的應用分析[J].時代汽車，2019（3）：168-169.

（收稿日期： 2019.05.28）

基金項目：校級科學研究項目（2016KJ024）

作者簡介：麥鵬（1979-），男，碩士，講師，研究方向：新能源汽車方向。