基于多信息融合的汽車電子系統故障診斷技術

李華慶

（吉利汽車研究院（寧波）有限公司，浙江 寧波 315336）

隨著技術的發展，汽車應用功能逐漸復雜化，汽車傳統內飾也逐漸被智能化內飾所替代，需要高效的診斷能力。相關研究人員要加強對相關技術的研究，豐富故障診斷方法，總結診斷技巧，解決診斷中出現的故障問題，保證汽車長期正常使用。

1 信息融合技術原理

1）多傳感器形成了不同的通道信號。汽車電子的故障診斷系統整體發展規模大，且具有一定的復雜性，需要的傳感器種類和數量也比較多。因為不同的傳感器組合可以為不同種類、不同位置的器件提供信息。傳統的故障診斷技術僅僅是通過對一種或多種狀態信息的分析，來獲取機器的特性。盡管有時通過一種信息來判斷機器是否有問題，但是在很多情況下，所得到的診斷是不可靠的。要實現對設備的正確、可靠診斷，必須從多個角度獲取多維的數據，并將其綜合應用。

2）同一信號形成了不同的特征信息。在對汽車故障實際診斷的時候，由于故障的產生原因比較復雜，各個類型的故障也是不同的。比如，不平衡、不對中、軸承座松動、轉子徑向碰撞等都會使轉子產生不正常的振動。所以，轉子的振動信號中的特征信息比較多，將其充分結合能夠保證故障的有效診斷。

3）故障診斷中的不確定性。因檢測對象的不確定性、系統噪聲、傳感器的測量誤差等因素，使得系統的數據往往不完整、不準確、不明確，有時還會出現自相矛盾的情況，這就意味著存在許多不確定性。使用Dempster--SJafer（D-S）證據理論能夠對故障診斷中的問題詳細解決。

2 信息融合方法

1）基于統計的融合方法。主要包括的內容為經典推理、貝葉斯法和證據理論（D-S）法。傳統的推理技術依靠數學原理，雖然其優勢已為人所熟知，但是在進行多變量統計時，需要有一定的先驗知識，并進行多維概率密度函數的計算，這是一種局限性。此外，它還有一個缺陷，那就是它只能對兩種假設進行回溯，當數據多變量時，它的復雜性會大幅增加，所以，在能夠獲得需要信息資料的情況下就可以使用該方法，但一般在信息融合的時候使用該方法就比較少。貝葉斯推理技術在一定程度上克服了傳統推理中的難點，但是其不足之處在于要確定先驗似然函數，是一件非常困難的事情。當多個可能的假定或多個與情況有關的事件發生時，就會變得非常復雜，需要對立的假設互相不相容。一般在實際利用的時候該方法很少使用，而D-S證據理論是對貝葉斯理論的逐漸拓展，為其應用提供重要條件，能夠有效解決基于人的推理模型不確定性分布問題。在多證據情況下，利用概率區間與不確定區間來確定假定的似然函數，并可求出任意假定為真實情況下的似然函數值，所以實際情況下有很大的推廣價值。

2）基于信息論的融合技術。其存在的部分主要為模板法、聚類分析以及神經網絡，這些技術在自然和對象方面都存在一些共性特征。聚類分析是一種綜合的方法，其本質上不采用統計學原理，而采用一套已知的生物科學和社會科學中的啟發式算法，將其分成若干自然組或集合，然后將其與預期對象的類型關聯起來。模板方法是將觀察到的資料與已知的模板進行比對，以判斷觀察資料是否能支持由模板所描述的假定。利用神經網絡輸入向量能實現非線性變換，通過向量的輸出也能達到神經網絡數據的有效分類。因此，可以使用人工神經網絡對多個傳感器的數據進行綜合描述。雖然該方法在實際應用期間與聚類分析方法比較相同，如果在有噪聲的情況下，該方法的作用更顯

著[1]。

3）基于認識模型的信息融合。該技術在實際應用期間，主要是在模擬期間利用多種傳感器形成識別過程，如：邏輯模板法、基于知識或專家系統等?？梢酝ㄟ^專家系統或知識庫系統進行更高層次的推理，然而，專家系統的特點是依靠主干知識的表達，因此它具有很大的靈活性，可以通過數字、符號和推理等特點來表達，所以，要對信息融合專家系統進行設計，但期間也比較困難。模糊集理論是一種全新的技術，目前已有許多商業軟件支持模糊推理，但是它的價值以及應用于信息融合的模糊邏輯還有待進一步的探索。模糊集理論已經在國外開始研究，重點分析不確定事件。邏輯模板方法在實際應用過程中，是基于邏輯的識別技術產生的，隨著廣泛應用，多個傳感器信息融合、單個信息特征分析都將發揮重要作用。

3 多信息融合概述

多信息融合的基本原理，也就是所謂的數據融合，就是按照特定的融合規則，模仿人類對信息的加工，從而對信息進行空間和時間上的補充。在確保數據一致性的前提下，充分發揮多元化的優點，以獲取有價值的決策信息，加強結果的準確性。在對多信息融合方法實施驗證期間，基于信息論，假設μ={μ，μ，…，μ｝為發動機工作條件設置，P＝p{μ=μ｝代表發動機的操作條件的可能性。熵J是發動機工作條件下的不確定狀態μ，主要的表達公式（1）如下。

假定診斷信息集合由t∈{t，t，…，t｝表示，且已知t=t，因此，可以按照發動機工作狀態來計算條件熵，見公式（2）以及平均條件熵公式（3）。

經分析發現，在發動情況下，數值還是大于或等于條件熵J，當確定好發動機診斷信息t后，也能有效提升工作狀態的不確定性。

4 硬件選擇

4.1 振動器選擇

1）壓電片諧振式。用壓電片接收振動信號，它具有更高的共振頻率，通過增加壓電振子的質量，達到減小共振頻率的目的，采用彈性球形作為輔助材料，以減小共振頻率，提高振動效果。

2）機械振動式。常規的振動探測方法，在振動發生后，彈簧球會在很長一段時間內產生減振，從而容易被探測回路探測。為了對輸出端的阻抗進行分析，要基于阻抗值的確定轉換為高阻抗。

3）微型振動傳感器。該傳感器在實際應用期間，主要是利用機械振動傳感器完成的，加強對振動件的碳化和密封，以保證整個工作的性能和可靠性逐漸增強。該輸出切換信號直接與TTL或MCU的輸入線路相連，具有很好的結構。其獲取的輸出阻抗更高、其中的靜電流也比較低。

4.2 正確選擇溫度傳感器

根據對溫度傳感器特點的分析，使用熱敏電阻溫度傳感器，能獲得更高的靈敏度，且溫度系數較大，能快速反應，在汽車中的應用十分廣泛。對于熱電偶式溫度傳感器，對很小的溫差能有效測量，且對溫度的測量范圍廣泛，其中的溫度可以達到1800℃。但是，需要注意到要保證一定的冷端溫度，所以應用到汽車中比較少。

4.3 氣體傳感器

1）氧氣傳感器。在汽車上的使用，一般主要為氧化鋯氧傳感器、氧化鈦氧傳感器。中國實際應用期間，大多數的汽油發動機電子控制系統中，只安裝了一個氧氣傳感器，基于三元催化轉換器都能在上游、排氣管中實現。

2）一氧化碳傳感器。目前已有工業應用水平的CO傳感器有三大類：MOS型、電化學固體電解質型和電化學固體聚合物型。例如：催化劑燃燒型、場效應晶體管型等，在臨床上的應用少。

5 發動機故障診斷模型

多信息融合技術的使用，是按照數據處理方面構建發動機故障診斷模型，并在該模型的應用條件下，予以數據融合層、特征融合層和決策融合層的劃分。根據故障來源的多層次分析，依據特征分類的思路、設計決策、數據融合、特征融合等多個層面進行信息處理。

5.1 數據融合層模型

從實際上看，在對發動機故障實際診斷的時候，能按照運行的參數對其識別和分類。數據融合型存在的故障類型比較多，一般使用物理模型診斷還比較復雜，所以適合使用BP神經網絡，經BP神經網的應用，能達到信號的有效傳播，也能對系統故障詳細判斷。BP神經網在進行識別、分類中獲得的儲存量更大，所以，要為其構建一種多輸入多輸出模型，保證在期間進行更為準確地學習。

神經網絡的組成部分為輸入層、隱藏層和輸出層。其中的輸入與輸出結構比較簡單、單一，要分析節點數目，需要對應用的特點詳細分析；關于隱藏層的層數，很多學者從理論上進行了分析，結果表明：只要隱含節點數目足夠，單隱層結構就能使非線性函數近似變得簡單。

BP神經網絡在學習中，主要傳輸為前向傳播和誤差反向。在正向傳輸階段，將輸入層的采樣資料傳送至隱藏層進行運算，然后由BP網絡在輸出層得到計算的結果；如果發現網絡計算結果數據信息和希望的結果差異較大，也不符合一定的設計標準，BP網絡就會在下一個步驟完成工作，不會給網絡培訓計劃造成很大影響。

5.2 特征融合層模型

在特征融合層面上，首先要對采集到的信息進行多維地提取和壓縮。接著，把這些數據作為一個輸入，以進行更高層次的故障診斷，特征融合層算法也稱為SVM，與神經網絡相似。SVM采用了與故障模式相對應的特征數據，而不要求診斷規則提供更少的數據，但是具有更多的特征大小。

SVM理論假定存在一個樣本集 {（t，f），（t，f），…，（t，f）}t∈R，f∈{-1，1}，其中，1為 樣 本 數，D為樣本數 的 特征，f為樣本模式。假設只存在兩個屬性值：超平面J（ωt+b=0，f=1），超平面的平行平面J，J，ωt+b=0，f=1，而超平面J，ωt+b=0，f=-1。

5.3 決策融合層模型

從數據層面和特征層得到的診斷結果是不可靠的，這就導致了一些故障需診斷。經過數據融合層、特征融合層診斷結果的分析，保證診斷準確性和可靠性的提升，也能給決策融合層提供重要條件。在該條件下，需要按照D-S證據的決策融合算法來實現。

D-S證據理論是基于證據可信度m（A），詳細分析，通過總體判斷能獲得有效結果。增強其可靠性，就是對已有命題A的信賴程度。也就是說，通過計算，分析對象具備的客觀性、個人主觀性等，都能將其放入到適合的框架范圍內，如μ，是問題的每一種可能的答案，其中的內容是相互制約的，能予以該框架的詳細識別。將m：2μ→[0，1]設定為在識別架構中的基礎可靠度分布。在D-S證據理論中，用區間來表達任意假定的支撐，這個區間的下限叫做置信度函數，其定義見公式（4）。

6 診斷技術試驗

利用故障模擬器對傳感器的偏置故障和漂移故障進行模擬，其中包括：傳感器信號的正常、偏壓、下偏、延時以及信號的電壓損失。表1中列出了詳細的模擬實驗方案。VCI是車輛的連接接口，它能在CAN和PC間進行數據的傳送。

表1 模擬實驗方案

通過對不同樣本量的網絡故障診斷結果進行對比分析，發現當檢測和訓練樣本的比例是一樣時，樣本數目越多，故障診斷的精度就越高。然而，附加代價就是要求測試流程具備大量的培訓時間，具備不同樣本量的BP神經網絡的故障診斷結果，如表2所示，其中序號為二進制編碼。

表2 實驗結果

精度計算見公式（5）：

式中：A——診斷結果的精確度；N——測試樣品的正確識別數目；N——全部測試樣品的數目。

在建模過程中，特征層診斷需從模型中抽取出特征向量。傳感器的試驗資料是從CAN總線中采集的，取樣頻率是固定的，沒有頻率分量。因此，時域法適合特征的提取，特征向量參數可以按照維度進行歸類，維度參數的對差是敏感的，無量綱參數的對方差則不敏感。將上述優勢與數據相關性的特點相結合，選取了7個參數視為特征向量，其中包含了維數參數和無量綱參數。

實驗證明，分類精度達到85%，測試驗證的時間達到了0.00907s，與數據融合、特征融合技術相比較，具有較快的診斷速度和較高的準確率。

7 結束語

綜上所述，當前汽車故障診斷離不開故障模型的分析，相關人員要了解信息融合技術的原理，進而提高診斷效率，實現多信息融合。在維修過程中，選擇符合實際需求的硬件設備，合理利用故障分析模型，提高診斷效率，在經驗積累中實現技術突破。