一種沖突證據合成的汽車故障樹診斷方法

劉冰清，甘 霖，王 強，龍昭燈，茍榮非

（重慶長安汽車股份有限公司 長安汽車工程研究院，重慶 401120）

1 引言

為了能快速發現汽車運行過程中的電子控制系統故障，當今汽車電子控制系統都設計了車載故障診斷系統，該系統通過傳感器、執行器配合軟件程序對車輛運行狀態進行監控。當自診斷系統發現某個傳感器、控制開關或執行器發生故障時，電控單元會將監測到的故障內容以故障碼的形式存儲到隨機存儲器中，利用專用的解碼儀可將故障代碼讀出。這些故障證據能夠為汽車檢測與維修提供重要依據［1］。

由于汽車的各電控系統之間通過網絡進行互聯，汽車網絡節點的原發故障會存在多條潛在的傳播途徑，使故障通過網絡傳遞到其它節點上；同時網絡節點功能單元很多，各單元之間相互依存和相互影響，致使故障原因和故障現象的對應關系難以準確判斷［2］。這種電控節點之間的相關性，以及檢測設備的局限性和知識表達的不精確，導致出現的故障碼具有較強的不確定性，通過故障碼進行故障診斷的過程實際是不確定性求最優解的過程。現階段通常采用一種“部分窮舉”的方式來確定故障，隨著汽車行業的發展，電控原件的增加帶來的海量“大數據”導致窮舉法難以實現，而且采取清除歷史故障碼僅保留持續故障碼將丟失大量的有用信息。為有效減少故障排查的工作量，保持診斷結果的置信度和準確率，應采用有效的信息融合方法對數據進行處理。現有診斷數據融合方法主要有基于經典神經網絡的信息融合方法與基于貝葉斯網絡的信息融合方法［3-4］，基于經典神經網絡的信息融合方法能夠在建立網絡系統精確模型的情況下，得到令人滿意的診斷結果，但是對于關鍵信息缺失、樣本量小時，診斷精度與準確度將會降低。

故障碼的儲存機制是將所有發生過的故障都記錄下來，對于汽車行駛過程中受到外界信號干擾或者汽車的振動導致某信號暫時性丟失，電控系統依然會將這樣的故障代碼儲存下來，這樣偶發性的故障代碼在進行數據融合時會使融合結果與真實情況出現差異，最終導致診斷結果錯誤。針對上述問題，本文提出一種針對汽車故障碼沖突數據的融合方法，首先將源故障頻度歸一化作為傳遞權重，并與基本信任分配函數相互結合；然后提出證據之間距離的概念，并利用其對多故障證據進行聚類，最后將聚類結果進行D-S合成規則融合，得出最終診斷結果。

2 基于故障樹的故障診斷方法

故障樹分析 （FTA）是由上往下的演繹式失效分析法，利用布林邏輯組合低階事件，分析系統中不希望出現的狀態。設故障樹 （FT）中有n個底事件x1，x2…xn，部分底事件的集合記為C∈{xi…xj}，當集合中底事件發生，頂事件必然發生，則稱C為故障樹的割集。若C為割集，且去掉其中一個底事件后C不為割集，則稱C為最小割集。故障樹分析法的主要目的在于找出導致頂事件發生的所有可能的故障模式，即尋找故障樹的全部最小割集［5］。

基于故障樹診斷的故障源處在樹的最底層，故障傳播方向為自下而上即從底事件→中間事件→頂事件。故障源傳遞時由權值ω標識下層事件到上層事件的重要度占比，由于故障樹分析 （FTA）是與潛在失效模式與后果分析 （FMEA）相結合進行建立，在FMEA中下層因子到上層事件采用風險順序數 （RPN）對其進行潛在失效風險評估，而風險順序數包含了嚴重度 （S），頻度 （O），探測度 （D）三方面信息，主要在設計階段發現潛在失效模式［6］。而故障樹分析主要用于發現底層事件發生的概率，而頻度 （O）更能反映故障發生的概率，因此本文推薦使用頻度 （O）計算故障源，傳遞時權值ω能夠更為真實地反映實際情況。頻度 （O）為［0，10］的取值，因此在一個完備故障樹建立后需對其進行歸一化處理。汽車冷卻風扇故障樹見圖1。

圖1 汽車冷卻風扇故障樹

3 基于貝葉斯網絡信息融合的故障診斷

式中m（A）稱為事件A的基本信任分配函數，表征證據對A的支持程度。

針對于汽車某系統的故障樹，在建立FMEA過程中，要求故障因子包含所有可能出現的情況，因此其底事件即是一個完備的集合，底層事件與故障證據之間可采用集值映射表征其關系，如圖2。其割集作為故障證據E指向完備集合的冪集，而故障源傳遞時權值ω即為該割集的信任分配函數，即ω=m（C）。

在汽車發生故障時，多個故障證據被采集，可采用D-S合成規則對證據進行合成得到權重最大的割集，從而對故障進行判定。

圖2 證據與故障的映射關系

4 沖突故障融合診斷方法

由于汽車作為一個多傳感器系統，采集到的故障證據存在偶發性和不確定性，因此眾多故障診斷證據中會出現沖突性證據，如采用D-S證據理論對沖突證據進行融合，融合結果將偏離真實情況，例如：當出現4組證據E1、E2、E3、E4，對割集A、B、C信任分配函數值見表1。

表1 信任分配函數值

采用D-S證據理論合成可得出m（A）=m（C）=0，m（B）=0.1，根據權值判斷原則，認為B為最終判斷結果，其對應的底事件為故障發生的原因。盡管大多數證據證明A為真因，但由于某個證據否定了A，最終合成結果也否定了A。然而結合案例的事件情況，A事件為本次故障的真因，證據E2為偶然事件。

分析其原因，是由于D-S合成規則中，k是反映證據之間沖突程度的系數，當出現高沖突的證據，進行正則化處理將會導致與直覺相悖的結果，縱然如此許多學者認為D-S合成規則本身沒有錯，在高度沖突時應該首先對沖突證據進行預處理，然后再使用D-S合成規則。Murphy提出了一種修改模型而不變D-S合成規則的方法［7］，首先將證據的基本概率指派進行平均，之后再用D-S合成規則合成n-1次。在Murphy的基礎上，Jousselme等人提出了證據間距離函數［8］，對于其證據間相似度和支持度他并沒有給出具體算法。王肖霞等提出了一種基于證據間相似系數的沖突證據合成方法［9］，利用證據之間的距離作為證據的相似度，然后求出各證據被其它證據所支持的程度，對支持度歸一化后可得到各證據的可信度，并將可信度作為證據的權重，對證據加權平均后再利用D-S合成規則。該方法有效地處理沖突證據的合成，而且收斂速度較快，對于單個故障發生時確定故障原因比較準確，但對于汽車診斷，多個故障同時發生的情況時常出現，各故障對應的證據相互沖突，該算法最終合成結果無法有效指向任一故障。因此，提出了一種多證據聚類的沖突證據處理算法。

證據之間的距離是用來衡量證據之間相互沖突程度的函數，假定識別框架下的兩個證據E1和E2，其相應的基本信任分配函數為m1和m2，焦元分別為Ai和Bj，則證據E1和E2間的距離可以表示為：

式中Ak=Ai∪Bj，證據之間的距離用來描述兩證據之間的沖突程度，其值越大則兩證據之間的沖突程度越高。在計算出所有證據之間距離后，并計算所有距離的均值；然后將證據1作為第一個聚類中心，所有與證據1距離小于距離均值的證據歸為一類，其余證據中選取一個作為新的聚類中心，并進行均值聚類，再后通過判斷聚類準則函數是否收斂，若收斂，則算法結束。最后對聚類結果進行D-S證據推理，得到與類別數相同個源故障，再逐一進行排查。

如下例子中，3個源故障A、B、C對應E1到E77組故障（表2）。

若直接采用D-S證據合成，則判斷B為真，若采用Murphy等人提出的算法，3組源故障權重相似，若采用本文算法則將證據E1、E2、E3聚為一類，E4、E5、E6、E7為一類，類別1中C為故障源，類別2中A為故障源。可見本文算法更適用于多沖突數據的故障診斷。

表2 3個源故障A、B、C對應7組故障

5 結論

本文將潛在風險評估中故障頻度歸一化作為下層源故障到上層目標現象的傳遞權重，并將其與證據合成中基本信任分配函數相結合，有效地將證據融合運用到汽車故障樹診斷中；然后根據實際情況中多故障同時出現的現象，提出了一種多證據聚類的沖突證據處理算法，有效地處理了多證據沖突的合成，提高了合成結果的可靠性與合理性。