基于BP神經網絡的ECAS系統故障診斷策略研究

黃啟科 寧佐歸 張玉林 郭紅鑠 曠水章 方瑜

摘要：ECAS系統根據汽車行駛速度與路況進行實時高度調節，在惡劣工況下長期運行易發生故障。為了快速診斷相關故障成因，本文圍繞BP神經網絡開展了結構設計、診斷策略分析、中小樣本的診斷訓練。相關測試驗證了BP神經網絡在ECAS系統故障診斷策略方面的準確有效。

Abstract： The ECAS system real-time height adjustment according to the vehicle's driving speed and road conditions is performed， and it is prone to failures in long-term operation under severe working conditions. In order to quickly diagnose the cause of related failures， Structure design， diagnosis strategy analysis， and diagnosis training of small and medium samples were carried out around BP neural network in this article. The accuracy and effectiveness of BP neural network in ECAS system fault diagnosis strategy was verified in related tests.

關鍵詞：BP神經網絡;ECAS系統;故障診斷策略

Key words： BP neural network;ECAS system;fault diagnosis strategy

中圖分類號：U472.4? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1674-957X（2020）21-0112-02

0? 引言

電控空氣懸架（Electronically Controlled Air Suspension）系統簡稱ECAS系統，是一種用空氣彈簧代替傳統鋼板彈簧、螺旋彈簧、扭轉彈簧等的新型懸架結構與技術。主要構件有：電子控制器（ECU）、電磁閥、高度傳感器、氣囊、遙控器等[1-2]，如圖1所示。ECAS系統工作原理是ECU采集高度傳感器信號后，通過邏輯策略控制電磁閥通斷，對氣囊充放氣實現懸架高度調節。

故障診斷策略是ECAS系統智能精準控制一大難點。ECAS系統參與汽車行駛、啟動、加速、減速、轉彎、上坡、停車等全過程，涉及多部件多狀態，診斷難度極大，對其開展相關研究具有現實意義。

1? BP神經網絡

BP神經網絡是一種反饋網絡的學習算法，反映樣本的輸入輸出關系[3]，其結構示意如圖2。

圖2顯示：BP神經網絡結構組成為：輸入層、隱含層（多層）和輸出層（含期望輸出與導師信號）以及前向誤差反傳（學習算法）[4-6]。正向運算過程為：隱含層通過轉換函數，將前傳過來的輸入信息往下傳送到輸出層節點。反向運算過程為：當輸出層沒有達到期望輸出，誤差反轉傳遞，循環迭代。BP神經網絡通過正、反雙向過程的反復運算，最終實現預期目標。

2? BP神經網絡設計重要原則

2.1 設置網絡結構

根據具體工程問題與相關經驗確定BP神經網絡輸入層、隱含層和輸出層三大結構節點數。

2.2 修正相關參數

前向反饋學習時，不斷循環計算均方誤差，調整初始權值、閾值、最大訓練次數、學習精度、初始學習速率以及隱藏層節點數達到輸出期望值[7-10]。

3? BP神經網絡ECAS系統故障診斷策略

3.1 診斷流程設計

ECAS系統對于單一故障源可以通過ECU內部邏輯關系確診，但對于實時多狀態多參數的故障源診斷時間長、效果差，本文在此背景下開展BP神經網絡的故障策略診斷。

簡要診斷流程如圖3所示：ECU接收到經整流與A/D轉換的數字信號，在經過預處理后，傳遞給BP神經網絡診斷，BP神經網絡綜合樣本數據訓練，診斷分析出相應故障。

3.2 診斷樣本設計

根據上述BP神經網絡重要原則與診斷流程，本文選取常見的9組故障現象與故障成因進行BP診斷，按照計算，應該有511種可能的故障組合，但實際工程中故障之間有一定的相關性，沒有511種之多。假設故障現象依次有：m1空氣懸架反復調節，m2熄火后嚴重側傾，m3故障燈一直閃爍，m4工作時遙控器無作用，m5空氣懸架達不到最大高度，m6故障燈一直亮，m7卸載裝載時電磁閥無動作，m8工作時遙控器起反作用，m9一側懸架突然放氣。將9大故障現象設置為輸入層矢量M=（m1，m2，m3，m4，m5，m6，m7，m8，m9）。同理故障原因有：n1ECU參數標定與設置錯誤，n2ECU硬件電路損壞，n3傳感器已經拉斷，n4電磁閥通道已被堵塞，n5為ECU軟件程序錯誤，n6傳感器線路連接故障，n7兩側高度調節范圍過量，n8氣動管路扭結、斷裂或氣囊破損漏氣，n9氣源供給氣壓低于0.6Mpa。將9大故障原因設置為輸出層矢量N=（n1，n2，n3，n4，n5，n6，n7，n8，n9）。假定mi=0表示該故障現象不存在，mi=l表示該故障現象存在。同理ni=0表示沒有該故障原因，ni=1表示有該類故障原因。從理論的511種可能故障中選取最常見的12種，組成9×12組小樣本作為BP故障診斷的輸入量。

3.3 診斷分析

設置BP神經網絡初始學習速率0.01，最大訓練量5000次，目標誤差值1e-5，最小優化系數0.01，學習速率增長率10，其診斷訓練結果如圖4所示。

圖4顯示均方誤差隨訓練迭代次數的增加而較少，在迭代56次以后，實際誤差達到7.38e-7，這個誤差遠低于目標值1e-5，BP神經網絡運算結束。說明小樣本的訓練診斷無須更改網絡初始權值與閾值設置來達到目標預期輸出，會突破原有設定目標值，使得均方誤差更小更精準。

診斷訓練數據顯示：仿真測試數據與目標數據最大誤差為+6.86e-4/-4.01e-4。正負誤差均小于7.0e-4，差值區間很小，完全滿足故障診斷的要求。

3.4 診斷樣本擴增

9×12組小樣本故障診斷與測試不能反映真實ECAS系統故障種類與數量，將診斷樣本擴增至9×24組，其診斷訓練結果如圖5所示。

在迭代631次以后，均方誤差最佳值達到9.80e-6，低于目標值1e-5。其仿真測試數據與目標數據最大誤差為+1.19e-2/-1.85e-2。正負誤差均小于0.02，診斷訓練效果較好，滿足故障診斷的要求。

4? 結語

本文運用BP神經網絡對ECAS系統故障進行診斷策略研究，從診斷結果看，小樣本迭代次數少，診斷精確度高，中等樣本迭代次數多，診斷時間長，診斷精確度隨著迭代次數的增加而降低，在診斷訓練過程中，初始參數的修正也對診斷結果有著重大影響，很多參數調試與診斷經驗有關，后期診斷算法應該在擴充樣本同時進一步優化全局誤差，使ECAS系統的故障診斷更為精確。

參考文獻：

[1]黃啟科，麻友良，王保華.汽車電控空氣懸架發展與研究現狀綜述[J].湖北汽車工業學院學報，2013，27（02）：27-33.

[2]黃啟科.電控空氣懸架控制策略與控制器開發[D].武漢科技大學，2014.

[3]劉順安，胡慶玉，高春甫，于顯利，姚永明，陳延禮.IPSO-BP算法在半主動懸架控制中的應用[J].北京工業大學學報，2011，37（09）：1281-1286.

[4]胡慶玉.基于IPSO-BP網絡的汽車半主動懸架控制算法研究[D].吉林大學，2010.

[5]王春華，唐焱.車輛主動懸架的BP神經網絡自適應PID控制[J].計算機仿真，2009，26（05）：274-277.

[6]于海波，李幼德，門玉琢，李躍偉.基于BP神經網絡的車輛轉向穩定性控制策略及仿真[J].機械設計與制造，2008（02）：157-159.

[7]呂楠，姚平喜.基于BP神經網絡的滾動軸承故障診斷[J].煤礦機械，2020，41（08）：172-173.

[8]李鑫軍，柳江，劉之涵，付延軒.饋能懸架BP神經網絡PID控制研究[J].現代制造工程，2020（03）：60-65，135.

[9]張建強，時巖，馮海峰.基于BP神經網絡模糊PID的主動懸架控制研究[J].制造業自動化，2019，41（02）：58-61，76.

[10]孫霞，袁媛，張然，王超，楊嘉明.遺傳算法優化BP神經網絡在搬運鐘時間同步中的應用[A].中國衛星導航系統管理辦公室學術交流中心.第十一屆中國衛星導航年會論文集——S06時間基準與精密授時[C].中國衛星導航系統管理辦公室學術交流中心：中科北斗匯（北京）科技有限公司，2020：5.