常紅梅

(陜西理工大學 機械工程學院， 陜西 漢中 723001)

1 引言

汽車的使用量越來越多，隨之產(chǎn)生的汽車故障也越來越多，其中汽車搭鐵故障是比較常見的故障類型。為保障汽車安全性、減小汽車故障率，本文提出了基于Bi-LSTM模型的汽車搭鐵失效故障診斷方法。常規(guī)LSTM(長短時記憶網(wǎng)絡)模型的單向性，導致LSTM在數(shù)據(jù)特征提取時需要大量數(shù)據(jù)支撐，實際車輛故障情況下LSTM模型可能因為其他原因無法將數(shù)據(jù)特征提取完全，而Bi-LSTM學習方法是雙向網(wǎng)絡記憶方法，它可以從正向反向?qū)W習分析傳輸數(shù)據(jù)，它的計算精度比循環(huán)神經(jīng)網(wǎng)絡更高，計算速度更快，可以更廣泛的使用在汽車故障診斷。為了使電路系統(tǒng)更加穩(wěn)定，當汽車出現(xiàn)搭鐵失效狀態(tài)時及時發(fā)現(xiàn)并快速處理故障是對自身安全的重要保證。

目前研究的搭鐵故障診斷辦法有許多，如李煒等，研究的基于深度學習序貫檢驗故障診斷模型，通過LSTM網(wǎng)絡建立電源車的多變量時間序列模型，進行故障診斷，該方法存在一定限制，其召回率較低。朱敏等，研究的KDE-FPBT的故障診斷模型，基于核密度估計實現(xiàn)實數(shù)域樣本數(shù)據(jù)到故障對布爾表的轉(zhuǎn)換，并采用“一對一”的投票策略完成對實測數(shù)據(jù)的故障診斷，該方法的的特征提取不夠詳細，細節(jié)化不夠，并且AUC值相對較低。

這些方法只是定性判斷，對于一些汽車診斷缺乏數(shù)據(jù)支撐，針對以上問題，本文設計基于雙向長短時記憶網(wǎng)絡模型，該模型能夠及時準確的檢測到車輛的異常數(shù)據(jù)的細微差距，并將數(shù)據(jù)通過Bi-LSTM模型進行精準分類，通過數(shù)據(jù)快速判斷是否發(fā)生汽車搭鐵故障，增加發(fā)現(xiàn)異常數(shù)據(jù)的準確性并及時處理，提高運行安全系數(shù)。

由于汽車車身和發(fā)動機都是金屬結(jié)構(gòu)，其本身就有導電能力，加上汽車電器比較多，如果每個電器都用兩根線構(gòu)成回路，將會使電路結(jié)構(gòu)復雜。因此，其與汽車的單線制有關，是指將蓄電池和發(fā)電機正極或負極與汽車車架相聯(lián)，使車架帶正電或負電，從而使安裝在車架上的所有汽車電氣設備只需一根從電源另一極引出的導線就可構(gòu)成回路。讓汽車電源系統(tǒng)的一極與車架相聯(lián)的接線制度就叫搭鐵接線制(簡稱搭鐵)。汽車搭鐵如圖1所示。

2.2 汽車搭鐵失效故障特征提取

..基于傅里葉變換的特征提取

圖1 汽車搭鐵示意圖

()通過變量代換也可用下列公式表示：

(1)

根據(jù)FrFT的性質(zhì)，階的分數(shù)階傅里葉域的坐標空間是(，)平面上按逆時針旋轉(zhuǎn)角度所得，只需逆時針轉(zhuǎn)動0～π2 范圍內(nèi)的分析數(shù)據(jù)，值一般在0～1。

基于分形維數(shù)的特征提取

采用盒計數(shù)維數(shù)計算各階FrFT中的分形維數(shù)(FD)具體用如下公式表示：

(2)

式(2)中:空間中隨機非空有界子集為，在子集中的維立方體的最小數(shù)目被()覆蓋，維立方體邊長為，>0。-log為橫坐標，log()為縱坐標，通過在坐標分布點使用二乘線性回歸算法計算出直線的斜率，得到集合的盒計數(shù)維數(shù)。

..基于FrFTFD的特征提取

汽車在發(fā)生搭鐵故障響應信號的微小差異性，在故障時域空間無法分辨，如果將這些信號映射到不同F(xiàn)rFT域內(nèi)則更容易分辨，F(xiàn)D得到的特征數(shù)據(jù)也會隨之變化。將所有原始時域數(shù)據(jù)映射到FrFT域中，得出相應的FD值，得到整個搭鐵信號故障的復雜程度與特征變化數(shù)值，這樣就可以診斷汽車搭鐵故障的所有數(shù)據(jù)。

因為無法計算階FrFT域內(nèi)所有的FD，F(xiàn)rFT域內(nèi)值導致()的變化過小，需要將FrFT分成多個區(qū)段，將步長為0.2的值從0變化到1所對應的信號進行FrFT，最后求得FD的方法，步驟如下：

1) 令=0；

2) 將模擬故障特征數(shù)據(jù)運用式(1)映射到階的FrFT域；

3) 保存在階FrFT域的故障信號利用式(3)計算出的FD；

4) 令=+01；

5) 如果值大于1，算法終止，如果不大于1，則繼續(xù)進行第2步。

具體提取流程如圖2所示。

2.3 基于Bi-LSTM模型的故障診斷

..長短時記憶網(wǎng)絡(LSTM)

循環(huán)神經(jīng)網(wǎng)絡(RNN)中的一種特殊模式就是長短時記憶網(wǎng)絡(LSTM)，LSTM廣泛應用于序列處理任務，通過引入記憶單元和門限機制的特殊性，解決RNN存在的梯度消失與梯度爆炸的問題。本文應用的LSTM模型的具體參數(shù)、屬性指標等見表1。

圖2 特征提取流程框圖

表1 LSTM模型參數(shù)和屬性指標

圖3表示由記憶單元(Memory cell)、輸入門(Input gate)、輸出門(Output gate)和遺忘門(Forget gate)4個模塊單元組成的LSTM模塊單元。流入和流出的記憶單元信息由3個非線性門控單元調(diào)節(jié)，記憶單元之間彼此循環(huán)連接。用下列公式表示LSTM的前向計算：

(3)

式中: 當前時段的輸入向量為，遺忘門、輸入門、輸出門的激活向量分別是、、，LSTM單元的輸出向量為，為權重矩陣，為偏置向量，是sigmod函數(shù)中的激活函數(shù)，是矩陣對應元素相乘的哈達瑪積。

LSTM信息預測和輸出取決于前面時刻的歷史序列信息與后續(xù)時刻的信息，為了提升學習任務的性能，融合LSTM單元與雙向網(wǎng)絡，提出Bi-LSTM模型。

圖3 LSTM模塊單元示意圖

..模型構(gòu)建

圖4表示雙向LSTM(Bi-LSTM)模型，模型利用當前時刻與前后t時刻的上下文信息數(shù)據(jù)，通過正、反向LSTM分別提取汽車所有特征信息，通過分類故障與正常信息，找出異常數(shù)據(jù)，從而達到汽車故障檢測的目的。Bi-LSTM模型是深度學習的一種改進版，具備深度學習的學習機制、相互轉(zhuǎn)化等特點，同時具備了長短期記憶的核心性，即長期記憶和短期記憶相結(jié)合。

圖4 雙向LSTM模型框圖

在模型中，每個時間段車輛數(shù)據(jù)點由表示，在時間段之前和之后的數(shù)據(jù)點用-與表示。為了確定汽車是否為故障點，需要將汽車故障數(shù)據(jù)運動特征的正常點和異常點的細微差異通過Bi-LSTM進行標記，模型經(jīng)過自主學習和訓練，將所有汽車故障信息通過差異性進行分類。模型算法流程算法具體步驟和流程圖(圖5)如下：

1) 依次讀取車輛序列數(shù)據(jù)點；

2) 提取一段車輛數(shù)據(jù)序列的特征向量；

3) 將特征向量錄入到預訓練好的Bi-LSTM模型，判定數(shù)據(jù)點是否為常規(guī)提取數(shù)據(jù)或者為故障點；

4) 將車輛數(shù)據(jù)轉(zhuǎn)化為可視數(shù)據(jù)。

圖5 模型算法流程框圖

3 實驗模擬

3.1 評價指標

根據(jù)計算機常規(guī)評價指標(精度，準確率，召回率，1值，值)來判定。數(shù)據(jù)計算與分類需要根據(jù)真實情況和模型預測類別組合，組成真正例和假正例，真反例和假反例。其中正確樣本與總樣本的比值為分類精度，正確預測樣本與總預測樣本的比值為準確率，正確預測樣本與實際樣本的比率為召回率，召回率和準確率的調(diào)和均值為1值，值是ROC曲線下的面積比，真正例率與假正例率的關系就是ROC曲線，有時ROC曲線過于接近無法準確比較模型性能，就用ROC曲線下的面積比值來表示。值越接近1，模型性能越好。下面式(4)—式(7)表示精度，準確率，召回率，1值的計算方法：

(4)

(5)

(6)

(7)

ROC中的真正例率TPR和假正例率FPR的關系公式如式(8)：

(8)

3.2 實驗

實驗在NVIDIA GTX 1080顯卡內(nèi)訓練本文方法的Bi-LSTM模型，模型用Pytorch框架構(gòu)建，用本文方法的FrFT-FD特征提取的方法計算得到一系列故障特征向量，將特征向量使用具有優(yōu)秀的雙層網(wǎng)絡性能的多層Bi-LSTM模型進行檢測分類。

由于汽車搭鐵原件較多，搭鐵故障多種多樣，選取某品牌SUV汽車的部分故障數(shù)據(jù)作為訓練樣本，總樣本數(shù)為5 000例，4 000 例作為訓練樣本，進行訓練分析學習，1 000 例作為實驗樣本，樣本為發(fā)動機故障，發(fā)動機缸體對蓄電池負極電阻為0～0.1 Ω，超出此范圍判定為故障，啟動困難、儀表指示反常、產(chǎn)生異?；鸹ǖ裙收?，其用萬用表檢測的正常值為0或者接近于0，將設定A、A、A、A、A作為等待診斷的典型原件，每個原件故障值比標準值增加或者減少25%，一共有10種故障代碼(Q1-Q10)，加上汽車正常狀態(tài)A(故障代碼Q0)，共計11種故障狀態(tài)。

設定某一時刻，多個原件同時發(fā)生故障，將汽車故障數(shù)據(jù)經(jīng)本文方法的FrFT-FD分別計算得到6個分形維度數(shù)值：1.062 4，1.137 8，1.134 2，1.176 1，1207 7，1.215 6，這些數(shù)值組合就形成一個特征向量。將所有帶故障的信號均進行FrFT-FD計算得到的特征向量就是所有故障模式下的特征向量。用本文方法的FrFT-FD提取11組故障模式的故障特征所得到的平均值如表2所示。

表2 經(jīng)FrFT-FD計算的11組故障平均值

表2中↑與↓分別是增加或減少25%故障值的故障狀態(tài)。從表2可以看出，本文方法將所有故障模式下的故障特征輸入到所有FrFT域中進行FD求解，在值不大于1時，故障數(shù)據(jù)重復運算，不作輸出，當值大于1時，提取特征數(shù)據(jù)，并進行輸出，此時，可以更加準確的得到所有故障數(shù)據(jù)變化，避免信號的時頻部分特性被忽略所導致的計算出的FD數(shù)值很相近，在時域中無法分辨現(xiàn)象，便于后期故障診斷順利開展。

通過Bi-LSTM分類所得到的數(shù)據(jù)就是正常數(shù)據(jù)和異常數(shù)據(jù)，為了驗證本文方法應用Bi-LSTM模型的優(yōu)異性，選取文獻[3]的深度學習方法、文獻[4]KDE-FPBT方法和本文方法的故障診斷性能指標作圖，見圖6、圖7。

圖6 不同方法故障診斷性能指標直方圖

圖6表示不用方法的指標對比，圖7為不同方法故障診斷的ROC曲線。由圖6、圖7可知本文方法的故障診斷所有指標均比其他2種方法故障診斷指標數(shù)值高，說明本文方法的故障診斷性能對比其他2種對比方法強，特別是召回率和AUC值，故障診斷時如果有高召回率就可以診斷得到更多真實異常數(shù)據(jù)，召回率在故障診斷時尤為重要。在檢測故障點的異常時，每一個故障點與周圍正常數(shù)據(jù)點的運動特征都有較大差異，2種對比方法只使用故障點的信息，忽略周圍的信息，這會使檢測性能降低。深度學習方法的召回率極低，說明深度學習方法遺漏了很多故障異常點，而本文方法應用了Bi-LSTM模型，具備深度學習的特點，可以快速檢測到故障異常點。

圖7 不同方法故障診斷ROC曲線

設置可以引起汽車搭鐵失效故障的5種原因，A搭鐵點松動虛接所致；B搭鐵點氧化所致；C搭鐵線路有斷路現(xiàn)象；D搭鐵線路有短路現(xiàn)象，E連接端子腐蝕，實驗模擬搭鐵線路有斷路現(xiàn)象產(chǎn)生導致的汽車搭鐵失效故障時，統(tǒng)計本文方法故障診斷的后驗概率，用圖8描述。

圖8 本文方法故障診斷的后驗概率直方圖

分析圖5所示的本文方法診斷各故障原因的后驗概率可知，故障原因D是引發(fā)起汽車搭鐵失效故障最可能發(fā)生原因，且本文方法的故障診斷結(jié)果與實際設置情況的故障一樣，具備汽車搭鐵失效故障診斷正確性。

進一步驗證本文方法的故障診斷的有效性，驗證其診斷耗時，同時與文獻方法進行對比，參見圖9。

圖9 不同方法故障診斷耗時曲線

根據(jù)圖9可知，本文方法的故障診斷過程中的耗時均低于0.1 s，文獻方法的耗時分別在0.5～0.8 s和0.75～0.95 s，與本文方法相比，耗時均高出本文方法較多，因此，本文方法能有在更短的時間內(nèi)診斷出故障。

4 結(jié)論

提出了一種基于雙向長短時記憶網(wǎng)絡模型的汽車搭鐵失效故障診斷方法，可以及時有效的檢測車輛搭鐵失效故障。通過對車輛故障數(shù)據(jù)特征進行提取與分析，判定車輛故障的細微差異，用于診斷故障高效，將本法與其他分類方法進行比較，實驗證明了本方法相對于其他辦法對于故障特征的精度和準確率更高，速度更快，可以更好更快速的診斷因搭鐵失效產(chǎn)生的故障，防止車輛進一步損壞，影響人身安全。

長短時記憶網(wǎng)絡模型需要一定的數(shù)據(jù)支撐，雖然可以提高車輛檢測的準確性，但如果出現(xiàn)全新的故障數(shù)據(jù)需要繼續(xù)更新模型學習內(nèi)容，保證模型的更新率，同時在現(xiàn)實車輛背景環(huán)境下，可能有一些不確定因素影響數(shù)據(jù)精度，希望在以后研究中對算法優(yōu)化改進。隨著網(wǎng)絡的發(fā)展和數(shù)據(jù)的累計，該方法的使用將會更加便捷，更加廣泛。